Model multimodal原生 generasi terbaru Qwen, Qwen 3.8-Omni-Flash, resmi meluncur pada 18 September. Berdasarkan informasi yang dihimpun, model ini mendukung input teks, gambar, audio, dan video, serta mampu memproses konteks hingga 1M. Model ini dapat merencanakan tugas secara mandiri berdasarkan pemahaman konten, memanggil berbagai alat, serta menyelesaikan proses kreasi dan pengiriman.
Qwen 3.8-Omni-Flash Tingkatkan Kemampuan Pemrosesan Audio dan Video
Dari sisi fitur, Qwen 3.8-Omni-Flash mempertahankan kemampuan pemrograman, pemrosesan teks, serta operasi GUI, sekaligus memperluas kemampuan penanganan tugas-tugas terkait audio dan video. Untuk pemahaman konten audio-video berdurasi panjang, model ini mampu menangani materi video berdurasi berjam-jam, menentukan secara mandiri segmen visual dan audio yang relevan berdasarkan pertanyaan yang diajukan, serta melakukan penelusuran bukti secara bertahap untuk menemukan konten kunci. Dipadukan dengan penggunaan alat, model juga dapat mengekstrak notulen rapat, daftar tugas, dan informasi risiko dari sebuah pertemuan, lalu melanjutkan tugas lanjutan seperti mengirim surel, menulis kode, atau menelusuri data multimodal untuk menyusun laporan.
Dalam hal kreasi audio dan video, model ini dapat diterapkan pada berbagai skenario seperti produksi video musik, penerjemahan drama pendek, serta narasi film berdurasi panjang. Misalnya, dalam produksi video musik, model mampu memahami struktur lagu, ritme, dan emosi, lalu menghasilkan lirik tingkat kalimat yang disertai stempel waktu. Dalam penerjemahan drama pendek, model dapat melakukan identifikasi karakter, terjemahan informal, kloning sulih suara, remix trek audio, serta pemeriksaan kualitas hasil akhir. Sementara untuk pemrosesan film berdurasi panjang, model dapat melakukan perangkuman alur cerita, perencanaan narasi, pengisian sulih suara dan musik latar, penyuntingan serta rendering, hingga pemeriksaan kualitas akhir.
Selain itu, model ini juga dapat mengubah konten video berdurasi panjang menjadi aset informasi yang dapat digunakan kembali, mulai dari penyusunan poin-poin pengetahuan secara otomatis, penguraian langkah-langkah, hingga pembuatan catatan PDF yang memadukan teks dan gambar. Hasil tersebut selanjutnya dapat dikonversi menjadi Agent Skill yang telah melalui proses validasi dan evaluasi. Versi interaksi real-time, Qwen 3.8-Omni-Flash-Realtime, dapat melakukan persepsi dan respons secara simultan saat menerima aliran input audio dan video, sehingga cocok digunakan untuk skenario latihan percakapan lisan,感知 audio spasial, hingga layanan pelanggan cerdas.
Sebagai pendukung, pihak resmi turut memperluas Qwen-MM-Plugins dengan menambahkan sejumlah kapabilitas baru untuk pemahaman dan kreasi audio-video, serta merilis Qwen-Live Harness secara open source untuk interaksi dan pelaksanaan tugas audio-video secara berkelanjutan dan real-time. Berdasarkan data resmi, pada akumulasi 30 evaluasi, Qwen 3.8-Omni-Flash mencatatkan peningkatan skor rata-rata lebih dari 26% dibandingkan generasi sebelumnya, Qwen 3.5-Omni-Plus. Di saat yang sama, harga input audio per jam melalui API turun lebih dari 98%, dan harga input audio-video per jam turun lebih dari 93%.
Saat ini, model tersebut telah tersedia di platform Qwen AI.