千問の新世代ネイティブ全モードモデル Qwen 3.8-Omni-Flash が 9 月 18 日に正式にリリースされました。このモデルは、テキスト、画像、音声、動画の入力をサポートし、最大 1M のコンテキストを処理できるため、内容を理解した上で自律的にタスクを計画し、ツールを呼び出し、創作と納品を行うことができます。
Qwen 3.8-Omni-Flash の音声と動画処理能力の向上
機能面では、Qwen 3.8-Omni-Flash はプログラミング、テキスト処理、GUI 操作能力を継承しつつ、音声と動画に関連するタスクの処理能力をさらに拡張しました。長時間の音声と動画の理解に関して、このモデルは数時間にわたる動画コンテンツに対応し、問題に基づいて注目すべき映像と音声情報を決定し、複数回の証拠取得を通じて重要な内容を特定します。ツールと組み合わせることで、モデルは会議から要約、タスク、リスク情報を抽出し、メール送信、コード作成、マルチモーダルデータを検索してレポートを生成するなどの後続タスクを実行し続けることができます。
音声と動画の創作において、このモデルは音楽動画制作、短編劇の翻訳、長編映画の解説などのシーンに応用できます。例えば、音楽動画制作では、モデルは曲の構造、リズム、感情を理解し、タイムスタンプ付きの文レベルの歌詞を出力します。短編劇の翻訳では、キャラクターの識別、口語翻訳、声のクローン、音声トラックのリミックス、完成品の品質検査を行うことができます。長編映画の処理では、プロットの抽出、解説の計画、声の吹き替え、音楽の選定、編集とレンダリング、最終的な品質検査を行うことができます。
さらに、このモデルは長時間の動画コンテンツを再利用可能な情報資産に変換することができ、自動的に知識ポイントを整理し、ステップを分解し、図文対応の PDF ノートを生成し、さらに検証と評価を経たエージェントスキルに変換します。リアルタイムインタラクションバージョンの Qwen 3.8-Omni-Flash-Realtime は、音声と動画のストリーム入力プロセス中に知覚と応答を同時に完了でき、口語練習、空間音声の認識、インテリジェントカスタマーサービスなどのシーンに適しています。
サポート面では、公式は Qwen-MM-Plugins を拡張し、音声と動画の理解と創作に向けた複数の能力を追加し、継続的かつリアルタイムの音声と動画インタラクションおよびタスク実行のために Qwen-Live Harness をオープンソース化しました。公式データによると、累計 30 件の評価において、Qwen 3.8-Omni-Flash は前世代の Qwen 3.5-Omni-Plus に比べて平均スコアが 26% 以上向上しました。また、API の音声入力の価格は 1 時間あたり 98% 以上、音声と動画の入力の価格は 1 時間あたり 93% 以上の減少を見せています。
現在、このモデルは千問 AI プラットフォームに上陸しています。