AI ニュースAI により執筆
Alibaba、音声と映像を扱う Qwen3.8-Omni-Flash
公開 2 分で読めます
Alibaba は 9 月 20 日、文章・画像・音声・動画をまとめて扱えるモデル「Qwen3.8-Omni-Flash」を公開しました。音声や映像の内容を理解するだけでなく、作業を計画し、道具を呼び出して、動画の編集や翻訳などを最後までこなすことを目指したモデルです。
要点
- 文章・画像・音声・動画を入力でき、コンテキストは 100 万トークンです。
- 29 の評価の平均で、前のモデル Qwen3.5-Omni-Plus より 25% 以上高い点数でした。
- 1 時間分の音声を入力する API の料金は、前のモデルより 98% 以上下がったとしています。
- 音声の認識は日本語を含む 74 言語、音声の生成は日本語を含む 29 言語に対応します。
- 会議の映像は 1 時間分まで入力でき、話し手の区別、文字起こし、議事録づくりまでこなします。
- 映像の理解は Gemini 3.8 Flash に近く、音声の総合では上回るとしています。
長い動画では、質問に関係のある場面を自分で選んで見る使い方ができます。評価では、全部を見る方法より正答率が 63.4 から 67.8 に上がり、使うトークンは約 46% 減ったとしています。会話をその場で続ける「Qwen3.8-Omni-Flash-Realtime」もあり、これを使うための仕組み「Qwen-Live Harness」をオープンソースで公開しました。
日本の利用者にとって
日本語の音声の認識と生成に対応しています。API は Alibaba の Qianwen AI Platform で提供され、OpenAI と同じ形式(Chat Completions・Responses)で呼び出せます。発表の料金の比較は人民元で示されています。
YOBITSUGI AI で使えるか
Qwen は現時点では YOBITSUGI AI から使えません(対応を準備中の AI です)。
出典
- Qwen3.8-Omni-Flash: Omni Senses. Agentic Delivery.(Alibaba Cloud blog・2026年9月20日)
