El nuevo modelo nativo totalmente multimodal de 千問, Qwen 3.8-Omni-Flash, se puso en marcha oficialmente el 18 de septiembre. Según se ha informado, admite entradas de texto, imagen, audio y vídeo, y puede gestionar contextos de hasta 1M, lo que le permite planificar tareas de forma autónoma, invocar herramientas y completar la creación y entrega de contenidos a partir de la comprensión de la información.
Qwen 3.8-Omni-Flash mejora la capacidad de procesamiento de audio y vídeo
En cuanto a sus funcionalidades, Qwen 3.8-Omni-Flash mantiene las capacidades de programación, procesamiento de texto y operación de interfaces gráficas, y amplía aún más el tratamiento de tareas relacionadas con audio y vídeo. Para la comprensión de contenidos audiovisuales extensos, el modelo puede enfrentarse a material de vídeo de varias horas de duración, determinar a partir de la pregunta planteada qué imágenes y sonidos debe priorizar y, mediante un proceso iterativo de verificación, localizar la información clave. En combinación con herramientas externas, el modelo es capaz de extraer actas de reuniones, listas de tareas pendientes e información sobre riesgos, y continuar con acciones posteriores como el envío de correos electrónicos, la escritura de código o la generación de informes a partir de la recuperación de datos multimodales.
En el ámbito de la creación audiovisual, el modelo puede aplicarse a escenarios como la producción de vídeos musicales, la traducción de series cortas y la narración de largometrajes. Por ejemplo, en la producción de vídeos musicales es capaz de comprender la estructura, el ritmo y la emotividad de una canción y generar letras a nivel de frase con marcas de tiempo; en la traducción de series cortas puede realizar identificación de personajes, traducción coloquial, clonación de voces, remezcla de pistas de audio y control de calidad del producto final; y en el procesamiento de largometrajes puede llevar a cabo la síntesis del argumento, la planificación de la narración, la asignación de voces y música, la edición y renderización, y el control de calidad final.
Además, el modelo puede transformar el contenido de vídeos extensos en activos de información reutilizables, lo que incluye la organización automática de puntos de conocimiento, el desglose de pasos, la generación de notas en PDF con correspondencia entre texto e imágenes, y su posterior conversión en Agent Skills verificados y evaluados. La versión de interacción en tiempo real, Qwen 3.8-Omni-Flash-Realtime, permite completar de forma sincronizada la percepción y la respuesta durante la entrada de flujos de audio y vídeo, lo que resulta adecuado para escenarios como práctica de conversación oral, percepción de audio espacial y atención al cliente inteligente.
En el apartado de herramientas complementarias, la compañía ha ampliado simultáneamente Qwen-MM-Plugins con nuevas capacidades orientadas a la comprensión y creación de audio y vídeo, y ha publicado como código abierto Qwen-Live Harness, destinado a la interacción y ejecución de tareas continuas y en tiempo real con audio y vídeo. Según los datos oficiales, en un total de 30 evaluaciones, Qwen 3.8-Omni-Flash obtiene una puntuación media superior en más de un 26% a la de su predecesor Qwen 3.5-Omni-Plus; al mismo tiempo, el precio de la API por hora de entrada de audio se ha reducido en más de un 98%, y el de entrada de audio y vídeo por hora, en más de un 93%.
Actualmente, el modelo ya está disponible en la plataforma 千問 AI.