アリババ、Qwen3.8-Omni-Flash公開。音声処理の価格を98%超削減

中国アリババのAIモデル「Qwen」シリーズに、テキスト・音声・映像をネイティブに扱うオムニモーダルモデル「Qwen3.8-Omni-Flash」が加わった。動画編集、ミュージックビデオや映画の制作、音声・映像の要約、リアルタイム会話といった用途を想定している。Qianwen AIで利用できる。

コンテキストウィンドウは100万トークン。同じ規模のテキスト専用モデルと同等のテキスト性能を保ちながら、音声・映像の処理能力を大きく高めたという。29種類のベンチマークの平均スコアは前世代のQwen3.5-Omni-Plusより25%以上向上した。一方で、API価格は音声入力1時間あたりで98%超、音声と映像の入力1時間あたりで93%超下がった。

音声・映像を使ったエージェント作業、コーディング、長時間タスクの評価では、WildClawBench-MMで71.0（Qwen3.5-Omni-Plusから36.5ポイント増）、UniClawBenchで69.6を記録した。長い音声の理解を測るLongAudioSpanで82.7、音声と映像を合わせた推論を測るOmniVideoBenchで63.4、動画キャプションの指示追従を測るOmniCap-IFで28.2、中国語の複数話者会議の文字起こしを測るAliMeetingで89.7を記録し、複数の項目でGemini 3.8 Flashを上回った。アリババは、音声・映像の性能はGemini 3.8 Flashに近く、音声全体ではそれを上回るとしている。対応言語として74言語と29言語のリストが示されており、いずれにも日本語が含まれる。

アリババは、エージェントで音声や映像を扱う際の課題も挙げた。長い音声や動画は、何度も推論を繰り返す中での保存・送信・処理のコストが大きく、既存のエージェント用フレームワークはこれらをネイティブに扱えない。このため、モデルとツール、実行環境を一体で進化させる必要があるとし、リアルタイムAPIをベースにしたオープンソースのハーネス「Qwen-Live Harness」を公開したと説明している。ただしGIGAZINEの記事作成時点では、そのGitHubページは404エラーで表示されなかった。

同社は、音声と映像が単なる入力から、エージェントが環境を理解してタスクを実行するための中核的なメディアへ変わりつつあると位置付ける。性能向上と大幅な値下げを同時に打ち出したことで、会議録やコールセンター音声、動画の解析など、これまでコスト面で見送られてきた用途の採算が変わる可能性がある。