千問の新世代ネイティブ全モーダルモデル「Qwen 3.8-Omni-Flash」が9月18日に正式に公開された。このモデルはテキスト、画像、音声、動画の入力に対応し、最大1Mのコンテキストを処理できる。内容を理解した上で自らタスクを計画し、ツールを呼び出して創作や成果物の作成までを行うことが可能である。
Qwen 3.8-Omni-Flashが音声・動画処理能力を強化
機能面でみると、Qwen 3.8-Omni-Flashはプログラミング、テキスト処理、GUI操作の能力を継承しつつ、音声や動画に関するタスクの処理能力をさらに拡張した。長時間の動画理解については、数時間に及ぶ動画コンテンツに対応し、問いかけに応じて注目すべき映像と音声情報を判断し、複数回にわたる検証によって重要な部分を特定できる。ツールと組み合わせることで、会議から議事録やToDo、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の検索によるレポート作成といった後続タスクの実行も可能となっている。
音声・動画の制作においては、本モデルはミュージックビデオ制作、ショートドラマの翻訳、長編映画の解説などのシナリオに応用できる。たとえば、ミュージックビデオ制作では、楽曲構成やリズム、感情を理解し、タイムスタンプ付きの文単位の歌詞を出力できる。ショートドラマの翻訳では、キャラクター識別、口語訳、吹き替えのクローン作成、音軌のリミックス、完成作品の品質検査までを行う。長編映画の処理では、物語の要約、解説の構成立案、ナレーションとBGMの付与、編集レンダリング、最終的な品質検査までを完了できる。
さらにこのモデルは、長尺の動画コンテンツを再利用可能な情報資産へと変換することも可能で、知識ポイントの自動整理や手順の分解、図と文が対応したPDFノート生成を行い、検証と評価を経たAgent Skillへと発展させることもできる。リアルタイムインタラクション版「Qwen 3.8-Omni-Flash-Realtime」は、音声・動画のストリーム入力中に知覚と応答を同期して行うことができ、会話練習、空間オーディオ認識、スマートカスタマーサポートなどの用途に適している。
配套機能として、公式はQwen-MM-Pluginsを拡張し、音声・動画の理解と制作に向けた複数の機能を追加したほか、継続的かつリアルタイムな音声・動画インタラクションとタスク実行のためのオープンソース「Qwen-Live Harness」を公開した。公式データによれば、累計30項目の評価で、Qwen 3.8-Omni-Flashは前世代のQwen 3.5-Omni-Plusと比べて平均スコアが26%以上向上した。また、APIの1時間あたりの音声入力価格は98%以上、音声・動画入力価格は93%以上、それぞれ引き下げられた。
現在、このモデルは千問AIプラットフォーム上で公開されている。