Story
Googleがネイティブオーディオによるリアルタイム世界シミュレーションのためのAIモデル「Genie 4」を発表
Google（NASDAQ:GOOGL）は火曜日、ネイティブオーディオ機能を備えたリアルタイムのインタラクティブな環境を生成する世界シミュレーションモデル「Genie 4」を発表しました。このシステムは、音楽、環境音、会話などのオーディオ要素をネイティブに生成できる、同社初のリアルタイム世界モデルです。
主な機能
Genie 4は、GoogleのAIシステム「Gemini」ファミリーを基盤としています。同社の発表によると、Gemini Omniを活用してリアルな外観と動作をシミュレートし、他のGeminiモデルは推論機能を提供し、シミュレーションの一貫性を維持するために使用されます。
このモデルでは、自然言語コマンドを使用して、生成された世界をリアルタイムで変更できます。これには、天候条件の変更、カメラアングルの調整、新しいオブジェクトやキャラクターの追加などが含まれます。Genie 4は、空気力学や衝突などの物理ベースのシナリオをシミュレートすることも可能で、自然に動き、環境に反応するキャラクターを作成できます。
技術統合とアプリケーション
リアルタイム生成プロセスを管理するために、GoogleはGemini 3.8 Flashをガイドエージェントとして統合しました。このエージェントはシーンを観察し、ユーザーの目標を実行可能なステップに分解し、進捗状況を追跡します。また、Genie 4とGemini 4 Argonを組み合わせることで、ロボット工学への応用も模索しています。Argonはユーザーのタスクを解釈し、Genieがシミュレーションでレンダリングできるようにします。
AdGoogleは、Genie 4を研究プレビュー版として、以下の分野を含む複数の信頼できるテスターグループに公開しました。
- 映画制作のプレビジュアライゼーションのためのクリエイティブ産業
- アーカイブ写真の動的なシミュレーションへの変換のためのジャーナリズムおよび教育
- 迅速なプロトタイピングのためのゲームおよびエンジニアリング
利用可能性と制限
初期テスト段階の後、GoogleはProject Genieを通じてGoogle AI Ultra加入者へのアクセスを拡大するとともに、Gemini APIおよびGoogle AI Studioを通じて早期アクセスパートナーにもアクセスを提供する予定です。コンテンツの真正性を確保するため、Genie 4で生成されたすべてのビデオとオーディオには、SynthIDデジタル透かしが付けられます。
Googleは、このモデルには現在いくつかの限界があることを認めている。これには、長時間のセッション中に「視覚的なずれ」が発生する可能性や、複雑な物理的相互作用のシミュレーション、音声の正確性の確保、テキストのレンダリング、生成された世界の長期的な一貫性の維持といった継続的な課題が含まれる。