アリババグループのQwenチームは、近日、新世代のネイティブなマルチモーダルモデル「Qwen3.8-Omni-Flash」を発表しました。このモデルは音声・動画理解とAIインテリジェントエージェントの能力をさらに統合しています。テキスト、画像、音声、動画の4つの入力形式をサポートし、100万トークンのコンテキストウィンドウを提供します。前世代のQwen3.5-Omni-Plusと比較して、公式には29のベンチマークテストで平均スコアが25%以上向上しています。

今回の最大の変化は、能力を積み重ねることではなく、処理方法です。これは単に音声認識や画像認識を組み合わせるだけでなく、モデルレベルで異なる種類の情報をネイティブに処理するものです。アリババの意図は明確です—モデルは「見懂く」や「聞懂く」だけでなく、理解した後でタスクを計画し、ツールを呼び出し、仕事を完遂できるようにすることです。

image.png

音声はその最も鋭い面です。WildClawBench-MMマルチモーダルツール呼び出しテストでは、Qwen3.8-Omni-Flashは71.0点を獲得し、Gemini3.8Flashは58.9点でした。DailyOmniでは85.1対84.0、SpotSoundBenchでは67.2対39.7、MMAUでは81.8対76.9と、4試験すべてで勝利しました。複数話者会議認識の進歩はさらに顕著で、AliMeetingテストでは話者誤り率DERが前世代の88.11から急激に3.35に低下し、話者所属を持つ単語誤り率cpWERは89.61から17.18に低下しました。しかし、これは全面的な優位性ではありません。AgenticVBenchではGemini3.8Flashが45.0点、Qwenは36.8点でした。OmniGAIAでは78.6対74.0で、一部の動画理解テストではGeminiも優勢です。したがって、「Geminiに迫る」というのは、全体的に音声と音声・動画の能力に主に現れています。

実際の使用方法を変える可能性があるのは価格です。Qwenによると、音声入力の推定コストは毎時間98%以上低下し、音声＋動画入力は毎時間93%以上低下しています。公式の説明によると、毎時間のコストは2分の素材処理価格に30を掛けたもので、動画は720p、1秒1フレームの入力として計算されます。アリババクラウドが公開した国際地域の価格は、100万トークンの入力に対して0.15ドル、キャッシュヒット時の入力トークンは0.016ドル、100万トークンの出力に対して0.47ドルで、中国本土および一部の地域では価格が異なります。

100万トークンのコンテキストウィンドウ（最大入力は約99.2万、思考モードでは約98.4万、最大出力は13.1万）を備えているため、開発者は超大規模な音声または動画をモデルに直接送信できます。これにより、頻繁なスライス、フレーム抽出、複数のモデルのつなぎ合わせが必要なくなります。モデルは113の言語と方言の音声入力を処理でき、ステレオサウンドと4チャンネルの空間音声分析をサポートし、関数呼び出し、インターネット検索、コンテキストキャッシュを提供します。

応用方向において、Qwenチームは「スマートエージェント配信」を強調しています。モデルは長時間の動画を分析し、重要なコンテンツを特定した後、ツールを呼び出して動画編集、コンテンツ整理、会議要約、字幕生成などの作業を行います。補助的な面では、マルチモーダルスマートエージェント開発向けのQwen-MM-Pluginsがすでに公表され、Qwen-Live-Harnessの導入も計画されています。現在、Qwen3.8-Omni-Flashはアリババクラウドの百煉を通じてサービスを提供しており、北京、シンガポール、中国香港、日本東京、ドイツフランクフルト、アメリカバージニアなど多くの地域をカバーしています。モデル自体は直接重みが公開されておらず、今回は主にマルチモーダルプラグインと開発ツールが公開されています。

音声コストが98%以上低下すれば、長時間の会議録音、パーソナリティの番組、ライブ配信、膨大な動画素材の自動分析がこれまでになかったほど安くなります。QwenとGoogle Geminiが競うマルチモーダル分野での戦いも、こうして一層激しくなることになります。