AI・生成AIGoogle、世界モデル「Genie 4」をGemini APIで開発者に開放。720p・24fpsの歩ける世界を、文章と画像から生成する
Googleは2026年11月19日、世界モデル「Genie 4」をGemini API(Interactions API経由)とGoogle AI Studioで開発者向けに提供開始したと発表した。テキストプロンプトや参照画像から、720p・24fpsの連続した世界を音声付きで生成でき、キーボード操作とライブプロンプトで移動や天候変更ができる。前日18日には一般向けのProject GenieでGoogle AI Ultra加入者への提供が始まっており、2日続けての開放となった。すべての出力にはSynthIDの電子透かしが入る。
まず初めに
昨日の今日である。18日に「一般の加入者向けに世界が作れるようになりました」と言った舌の根も乾かぬうちに、19日には「開発者の皆さんもどうぞ」とAPIの扉が開いた。順番としては丁寧だが、間隔は実に短い。デモで見せるための技術ではなく、使わせて課金するための技術として、最初から2段構えで用意されていたのだろう。
「世界モデル」という言葉は大きい。生成されるのは720p、毎秒24フレームの、歩いて回れる小さな世界だ。神の視点の壮大さはない。だが、文章を打つと地面が広がり、画像を渡すとその中へ入っていける。大きさの誇張は広告に任せて、こちらは地味な事実を拾う。世界は、とうとうAPIの向こう側から呼び出すものになった。
※個人の感想です
開発者が使えるもの——Interactions APIとAI Studio
Googleの発表によると、Genie 4はGemini APIを通じて、Interactions API経由で利用できます。あわせてGoogle AI Studioでも試すことができ、対話的なキャンバスとスターターアプリが用意されています。料金の詳細はGemini APIのドキュメントで案内されている、と同社はしています。
生成の出発点は、テキストプロンプト、参照画像、またはその両方です。
出力は720pで24fpsの連続した世界で、環境音や効果音、キャラクターの対話を含むネイティブ音声が同期します。リアルタイムのキーボード操作とライブのテキストプロンプトを併用でき、環境の中を移動しながら、天候、照明、物体、出来事をその場で変更できます。世界の状態の一貫性はGeminiの推論が保つ、と同社は説明しています。
用途として同社が挙げるのは、対話的な体験のプロトタイピング、空間コンセプトの設計の可視化、そしてロボティクスやAIエージェントの訓練です。生成した世界の中でエージェントを歩かせて学習させる、という使い方は、世界モデルならではの応用として示されています。
前日のProject Genie公開との関係
Genie 4そのものは、前日の2026年11月18日に一般向けの提供が始まっています。同日の発表によると、対象のGoogle AI Ultra加入者へProject Genieを通じて順次提供され、自然言語で環境をリアルタイムに編集できること、ネイティブ音声が付くこと、作品を共有するコミュニティギャラリーが新設されたことが示されました。Google AI Pro会員についてはウェイティングリストが案内されています。
つまり、18日が「加入者が遊べる窓口」、19日が「開発者が組み込める窓口」という順番です。同じモデルを、消費者向けサービスとAPIの両方へほぼ同時に並べるやり方は、最近のGoogleのモデル公開の型になりつつあります。先に話題を作り、翌日に開発者の手へ渡す。熱が冷める前に組み込んでもらうための、計算された2日間だったと言えます。
電子透かしと、残された留保
同社は改めて、すべての出力に目に見えないSynthIDの電子透かしが含まれると明記しています。歩ける世界が量産される時代には、現実の映像と生成された世界の区別が問題になります。透かしを既定で入れる判断は、生成側の責任の取り方として一貫しています。利用者が外すのではなく、出す側が最初から入れておく。この順序が守られるかどうかは、今後あらゆる生成APIで問われていくはずです。
一方、今回の発表文は短く、セッションの長さや生成可能な時間の上限、APIの具体的な料金単価といった運用面の数字は、発表文そのものには含まれていません。料金はドキュメント側の案内とされており、実際に組み込む場合はそちらの確認が前提になります。「世界を生成する」コストが秒単位なのか、セッション単位なのかで、プロトタイプの作り方は大きく変わります。ここは発表の華やかさとは別に、実務家が最初に確認すべき箇所です。
IT Postの見方
IT Postでは、今回の本質は性能の向上ではなく、「世界」が部品になったことだと考えます。画像生成がAPIになったとき、写真のない記事や試作品が当たり前になりました。動画生成がAPIになったとき、映像の試作コストが崩れました。今回、移動できて、操作できて、音まで付いた空間そのものがAPIの戻り値になりました。ゲームの試作、建築の可視化、ロボットの訓練環境——これまで「環境を用意する」ことが本体だった仕事の前提が、また1つ静かに書き換わります。
もっとも、部品になったことと、使える部品であることは別です。720p・24fpsという数字は、製品にそのまま載せる画質ではなく、試作と訓練のための画質です。Google自身も用途の筆頭にプロトタイピングを置いています。誇張のない位置づけは好ましい。世界の量産が始まったとはいえ、量産されるのはまだ「下書きの世界」です。その下書きがどれだけ速く、安く、本番に近づくかが次の見どころになります。
今後どうなりそうか
短期的には、AI Studioのスターターアプリを起点に、小規模な実験作や訓練環境の事例が増えていくはずです。特に、ロボティクスやエージェントの訓練に生成世界を使う流れは、実データの収集コストが高い分野ほど強く出ます。実機を走らせる前に、文章で作った世界の中で何千回も転ばせることができるなら、訓練データの作り方は根本から変わります。今回の発表でGoogleが用途の3つ目に訓練を置いたのは、飾りではないはずです。
開発者側の最初の関門は、発表文に書かれていない数字の確認です。セッションの長さ、生成の単価、同時実行の制限といった運用条件は、ドキュメントとAI Studioの実験で確かめるしかありません。逆に言えば、そこを最初に確かめた開発者から順に、何が作れて何が作れないかの相場観が共有されていくでしょう。新しいAPIの常として、最初の数週間の知見の蓄積が、その後の採用の速さを決めます。
中期的には、セッションの長さ、解像度、料金単価といった「運用の数字」が整備され、他社の世界モデルやゲームエンジン側の生成機能との比較が始まるでしょう。世界モデルの競争は、きれいなデモ動画の競争から、1時間歩き続けられるか、途中で世界が破綻しないかという、地味で実務的な競争へ移っていきます。2日連続の開放は、その競争の号砲としては十分に大きな音でした。