Choose your path
翻訳元のテキスト（Qwen3.8-Omni-Flash の概要、音声・映像エージェント、アーキテクチャ、ベンチマーク、価格、制限事項、API アクセスに関する内容）をご提供ください。原文の構造を保持したまま日本語に正確に翻訳します。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)Qwen3.8-Omni-Flash は、テキスト・画像・音声・動画の理解にネイティブ対応し、出力はテキストのオムニモーダルモデル。2026年9月18日に発表され、1M-token context window、ネイティブな音声・動画推論、調整可能な思考、関数呼び出し、ウェブ検索、空間オーディオ理解、ツール利用などを備える。
最重要の変化は、単なる動画理解の向上ではない。Qwen は本モデルをエージェント指向の能力を軸に設計した初のオムニモーダルモデルと位置づける。見聞きした内容を理解し、次に何をすべきかを計画し、ツールを呼び出し、Vlog編集、動画翻訳、映画の要約制作、会議分析、マルチメディア調査といった長尺タスクを遂行できる。
ローンチ時点で、Qwen は Qwen3.5-Omni-Plus に対し29の評価で平均25%以上の改善を報告。これらはベンダーによるローンチ時の結果であり、独立検証ではない。
開発者は、統一APIのワークフローで CometAPI の Qwen3.8-Omni-Flash API にアクセスできる。
Qwen3.8-Omni-Flash は Qwen の次世代ネイティブ・オムニモーダルモデル。音声や動画を単なる前処理の生成物として扱うのではなく、テキスト、ビジュアルフレーム、音声、環境音、時間関係を1つのワークフロー内で推論する。対応入力はテキスト・画像・音声・動画、現時点の出力はテキスト。
この出力の違いは重要。 Alibaba Cloud の公式ドキュメンテーションでは、Qwen3.8-Omni-Flash をマルチモーダル理解とエージェント実行に位置づけており、音声出力のユースケースは明示的に音声生成をサポートする Omni 系列が引き続き適する。
ローンチの位置づけは「メディアを知覚する」から「理解・計画・実行・成果」へと移行。動画編集、マルチメディア調査、会議分析、インストラクション動画処理など、メディアを単に要約するのでなく「扱って作業する」必要があるワークフローに適合する。
以下の仕様表は Alibaba Cloud および QwenCloud の公式モデルページに基づく。制限や価格は地域により異なる可能性があるため、公開や導入前に再確認が必要。
| Specification | Qwen3.8-Omni-Flash — official model page |
|---|---|
| Developer | Alibaba Qwen |
| Release | September 18, 2026 |
| Model type | Native omni-modal model |
| Input / output | Text, image, audio, video / text |
| Context window | 1,000,000 tokens |
| Maximum input | 991,808 tokens normal; 983,616 tokens in thinking mode |
| Maximum output | 131,072 tokens |
| Maximum reasoning allowance | Up to 262K tokens on QwenCloud |
| Thinking | Enabled by default; configurable reasoning effort |
| Tools and caching | Function calling, web search, implicit cache, and session cache |
| Audio | 113 languages and dialects; stereo and four-channel FOA |
| API styles | Chat Completions and Responses |
| QwenCloud price | $0.15 input, $0.47 output, and $0.016 implicit-cache input per 1M tokens |
| Open weights | Not announced for this model at launch |
QwenCloud によれば、Qwen3.8-Omni-Flash は Qwen3.8-Flash-Next architecture 上に構築されている。これはアーキテクチャの文脈を与えるが、Flash-Next で公開されたパラメータ規模を Qwen の確認なしに Omni モデルの正確なパラメータ仕様として提示すべきではない。
Flash-Next の基盤は Gated DeltaNet と Qwen Sparse Attention の組み合わせ。単純化すると、再帰コンポーネントが履歴情報をコンパクトな状態に圧縮し、スパースアテンションが全トークン対に密なフルアテンションを適用する代わりに、選択的に長距離コンテキストを取得する。系列長が計算コストを支配し得る長尺の音声・動画ストリームで特に有効。
より大きな変化はシステムレベル。Qwen は、モデルが長尺動画を能動的に探索し、全セグメントに等しく計算資源を使うのではなく、関連する瞬間に焦点を当てられるとする。概念的には、エージェントが証拠がありそうな箇所を特定し、そこを深く検査し、推論し、次にどのツールや操作を行うべきかを決める。
Qwen3.8-Omni-Flash は動画のビジュアルと音声ストリームを統合的に推論する。誰が発言したかの特定、音が行動の前後どちらで起きたかの判断、音楽や環境音の解釈、発話された指示と画面表示の接続など、両モダリティに依存する課題で重要となる。
API はマルチチャネル音声をサポートし、2チャネルのステレオと4チャネルの一次アンビソニックスに対応。方向性情報の保持は、会議分析、実世界エージェント、記録イベント、マルチスピーカー環境、音声グラウンディングに役立つ。
思考は既定で有効。開発者は推論労力を設定し、レイテンシとトークン消費を、複雑なマルチメディアタスク向けの深い推論とトレードオフできる。
関数呼び出しとウェブ検索はエージェント的ポジショニングの中核。動画・画像・音声ファイルを理解した後、モデルは構造化引数を外部ツールに渡し、追加情報を取得し、モデル外でワークフローを継続できる。
Qwen は Qwen-MM-Plugins も公開。マルチモーダルネイティブなエージェント・ハーネス向けの Apache-2.0 ツールキットで、動画制作、動画からノート化、デモ動画からの再利用可能スキル学習、視聴覚メモリなどのワークフローを含む。
ローンチ結果によれば、Omni モデルは関連する Flash テキストモデルに対し、いくつかのコーディングおよび推論評価で近い水準を維持。Qwen は LiveCodeBench v6 で 92.6、SWE-bench Pro で 63.3、GPQA Diamond で 91.0 を報告。これらは Qwen のローンチ設定下でのベンダー報告であり、実運用のコーディングタスクやエージェント・ハーネスに対する検証が望ましい。
Qwen は Qwen3.5-Omni-Plus 比で 29 評価の平均25%以上の改善を報告。以下は公式ローンチのベンチマーク結果の要約。いずれも一次情報であり、公開時点では第三者による再現は未実施。
評価条件: Static 行は Qwen のローンチ設定下での単回推論を測定。“+ agent” 行は周辺のエージェント・ハーネス、リトリーバル、反復的メディア検査を含む。プロンプトテンプレート、サンプリング設定、メディア前処理、ハーネスのバージョンは公式資料を参照。未開示の場合、その結果はベンダー報告であり独立再現性は未確認として扱う。
より大きな意味は、マルチモーダル「理解」からマルチモーダル「実行」へのシフト。従来パイプラインは音声を文字起こし、動画フレームをサンプリングし、それらを LLM に渡して回答を生成し、実作業は別のアプリロジックに委ねることが多かった。Qwen3.8-Omni-Flash は、そのループのより多くを1つのエージェントシステムに圧縮する設計。
メディア制作エージェントは編集前に映像と音声を精査できる。会議エージェントは話者の同定、発話内容、資料の視覚情報を組み合わせられる。調査エージェントは数時間の視聴覚資料から関連箇所を特定し、外部コンテキストを検索できる。この枠組みでは、音声と動画は受動的な添付物ではなく、エージェントの作業コンテキストとなる。
| Benchmark — official launch source | Qwen3.8-Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash |
|---|---|---|---|
| WildClawBench-MM | 71.0 | 34.5 | 58.9 |
| UniClawBench | 69.6 | 67.1 | 69.0 |
| AgenticVBench | 36.8 | 14.5 | 45.0 |
| OmniGAIA | 74.0 | — | 78.6 |
| StreamingBench | 80.8 | 57.1 | 79.9 |
世代間で最大の伸びは WildClawBench-MM で、34.5 から 71.0 に上昇。AgenticVBench も大きく改善する一方、そのベンチマークでは Gemini 3.8 Flash が先行。したがって「どのベンチでも一強」という結果ではない。
| Benchmark | Qwen3.8-Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash |
|---|---|---|---|
| OmniVideoBench | 63.4 | 53.8 | 65.2 |
| OmniVideoBench + Qwen Code agent | 67.8 | — | 65.2 |
| Video-MME-v2 | 65.0 | — | 71.0 |
| Video-MME-v2 + agent | 71.3 | — | 71.0 |
| LVOmniBench | 63.3 | — | 70.7 |
| LVOmniBench + agent | 73.6 | — | 70.7 |
| JointAVBench | 75.9 | — | 70.4 |
Static 行は混戦。従来型の動画推論テストでは Gemini が先行する項目があるが、エージェントループ内では Qwen の結果が上がることが多い。この区別は、本番アプリが同等のリトリーバルやツール、反復的検査を使う場合にのみ意味を持つ。
| Benchmark | Qwen3.8-Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash |
|---|---|---|---|
| LongAudioSpan | 82.7 | 74.4 | 79.3 |
| AliMeeting DER ↓ | 3.4 | 88.1 | 72.6 |
| AliMeeting cpWER ↓ | 17.2 | 89.6 | 53.1 |
| FLEURS-ASR WER ↓ | 9.3 | 7.2 | 7.9 |
| VoiceBench | 91.6 | 92.9 | 92.3 |
会議系の行が際立つ一方、FLEURS-ASR と VoiceBench は前世代比で改善していない。ローンチ結果は、音声認識の一律な勝利ではなく、より豊かなマルチスピーカー、空間、長尺文脈での音声理解の向上を示唆。
この表は Qwen の公式製品情報と、Google の公式 Gemini 3.8 Flash 仕様を併記。ベンチマーク比較は Qwen 実行であり、中立な第三者ランキングとは見なすべきでない。
| Dimension | Qwen3.8-Omni-Flash | Qwen3.5-Omni-Plus | Gemini 3.8 Flash |
|---|---|---|---|
| Architecture | Qwen3.8-Flash-Next foundation; exact Omni parameter mapping not disclosed | Previous Qwen Omni generation | Google proprietary Gemini architecture |
| Context window | 1M tokens | Smaller deployment limits | 1,048,576 input tokens |
| Reasoning | Adjustable reasoning effort; thinking enabled by default | No equivalent default-on reasoning mode in the cited deployment | Low, medium and high thinking levels |
| Multimodal input | Text, image, audio, video | Text, image, audio, video | Text, image, video, audio and PDF |
| Output | Text | Text and supported speech workflows | Text |
| Coding | Strong vendor-reported coding scores; not its primary differentiator | Not the main positioning | Designed for long-horizon software engineering and agents |
| API availability | Chat Completions and Responses; hosted API | Hosted Qwen APIs | Gemini API; generally available |
| Tools | Function calling and web search | Function calling and web search | Function calling, search grounding, code execution and other built-in tools |
| Published API pricing | QwenCloud: $0.15 input / $0.47 output per 1M tokens |
生成音声が必要な場合は Qwen3.5-Omni-Plus が引き続き有力。Qwen3.8-Omni-Flash は、効率的な音声・映像理解とツール指向の実行により明確に最適化されている。
Gemini 3.8 Flash に対しては評価が入り交じる。Qwen3.8-Omni-Flash は音声、マルチスピーカー処理、グラウンディング、いくつかのエージェントワークフローで競合力がある一方、静的な動画推論テストの一部では Gemini が先行。妥当な比較はワークロード別に行うべき。
統一アクセスの評価では、表の外で CometAPI の Gemini 3.8 Flash API、CometAPI の Qwen3.8-Flash API、CometAPI の Qwen3.8-Flash-Next APIを比較し、技術情報リンクと製品アクセスリンクを区別して参照できる。
Qwen3.8-Omni-Flash は、音声や動画がタスクの本体であり、単なる添付要約に留まらない場合に最も有用。会議インテリジェンス、長編メディア検索、動画翻訳パイプライン、チュートリアルからのノート化、メディア制作エージェント、視聴覚アーカイブなどが適用例。
通常のテキストチャットには、専用の Flash テキストモデルのほうが簡潔な場合がある。音声出力が必要なアプリケーションには、明示的に音声生成をサポートする Omni モデルが適する。見て・聞いて・推論し・行動するワークフローには、Qwen ラインアップの中で Qwen3.8-Omni-Flash がより特徴的な選択肢。
Qwen3.8-Omni-Flash は、単なる別のマルチモーダル Flash リリースではなく、「エージェント的な音声・映像モデル」として理解するのが適切。1M コンテキスト、ネイティブな音声・動画推論、マルチスピーカーと空間オーディオ対応、調整可能な思考、関数呼び出し、検索、Qwen-MM-Plugins のエコシステムはいずれも、マルチメディアを「理解する」から「使って仕事をする」への移行に向けられている。
ローンチデータは、特にエージェントワークフローや複雑な音声シナリオで、Qwen3.5-Omni-Plus からの大幅な世代改良を示す。Gemini 3.8 Flash との比較では、Qwen 自身の数値はより拮抗。重要なのは、一つの表でどちらが勝つかではなく、対象ワークフローを正確かつ経済的に完遂する「モデル＋ハーネス」の組み合わせである。
| Region and endpoint dependent |
| Google introductory price: $0.75 input / $3.75 output per 1M tokens through December 31, 2026 |
| Best fit | Media agents and analysis | Omni conversation and speech output | Broad multimodal, coding and autonomous-agent workflows |