Googleは18日、テキストや画像をもとに、ユーザーが探索できる仮想世界を生成するAIモデル「Genie 4」を、仮想世界生成サービス「Project Genie」で提供開始した。環境のリアルタイム変更や登場人物とのインタラクション、音声生成にも対応する。まずはGoogle AI Ultraの対象ユーザーに順次提供する。
Genie 4は、文章や画像から仮想空間を生成し、ユーザーがその中を移動しながら体験できる世界モデルだ。現実世界の変化や動きを学習し、ユーザーの行動に応じて次の場面を生成する技術として、ゲームのように空間内を自由に探索できる。
例えば、「アルプスでスキーをする一人称視点」や「1980年代の日本の駅」といった指示を入力すると、対応するシーンを生成する。移動にはキーボードのWASDキーを使い、参照画像をアップロードして世界観を指定することもできる。
特徴の1つは、生成した世界を探索している途中でも、環境をリアルタイムで変更できる点だ。「吹雪を追加して」「野生動物を登場させて」といった指示に応じて、AIがその内容をシーンに反映する。
また、Genie 4はリアルタイムの音声生成にも対応した。周囲の環境音や音楽、登場人物の会話を、場面の展開に合わせて生成する。Google DeepMindの技術文書によると、最大720p、毎秒24フレームの映像出力をサポートする。
Googleはあわせて、ユーザーと対話しながら世界を作り上げる「Project Genie Agent」も披露した。ユーザーが望む雰囲気を説明すると、AIが初期シーンとBGMを構成する。完成した世界はコミュニティギャラリーで共有でき、他ユーザーの作品を編集して再創作することも可能だ。
Genie 4は先月初めて発表され、その後は限定テスター向けの研究プレビューとして提供されてきた。今回の更新で、利用対象をGoogle AI Ultraの対象ユーザーへ広げた。
一方で、現実の物理現象を精密に再現することや、長時間にわたってシーンの一貫性を保つことにはなお課題が残る。Googleも、複雑な物体同士の相互作用や、カメラ反応の遅延などを改善項目として挙げている。
Google AI Proの契約者はウェイトリストに登録できるが、提供拡大の具体的な時期は明らかにしていない。Googleは世界モデルを、ゲームや映像制作に加え、ロボットやAIエージェント向けの仮想訓練環境の構築にも広げていく方針だ。