โมเดล full multimodal ดั้งเดิมรุ่นใหม่ล่าสุดของ千問อย่าง Qwen 3.8-Omni-Flash เปิดให้ใช้งานอย่างเป็นทางการเมื่อวันที่ 18 กันยายน ตามข้อมูลที่ทราบ โมเดลนี้รองรับอินพุตทั้งข้อความ ภาพ เสียง และวิดีโอ พร้อมประมวลผลบริบทได้ยาวถึง 1M สามารถวางแผนงาน เรียกใช้เครื่องมือ และดำเนินการสร้างสรรค์จนส่งมอบผลงานได้ด้วยตนเอง โดยอาศัยความเข้าใจเนื้อหาเป็นฐาน
Qwen 3.8-Omni-Flash ยกระดับความสามารถในการประมวลผลเสียงและวิดีโอ
ในด้านฟังก์ชันการทำงาน Qwen 3.8-Omni-Flash ยังคงรักษาความสามารถด้านการเขียนโปรแกรม การประมวลผลข้อความ และการทำงานกับ GUI ไว้ ขณะเดียวกันได้ขยายศักยภาพในการจัดการงานที่เกี่ยวข้องกับเสียงและวิดีโอเพิ่มเติม สำหรับการทำความเข้าใจคลิปเสียงและวิดีโอยาวหลายชั่วโมง โมเดลสามารถพิจารณาจากคำถามเพื่อกำหนดภาพและเสียงที่ต้องให้ความสนใจ และระบุเนื้อหาสำคัญผ่านการสืบหลักฐานแบบหลายรอบ เมื่อผสานกับเครื่องมือ โมเดลยังสามารถสกัดบันทึกการประชุม รายการสิ่งที่ต้องทำ และข้อมูลความเสี่ยง พร้อมทั้งดำเนินงานต่อเนื่อง เช่น ส่งอีเมล เขียนโค้ด หรือค้นคืนข้อมูลหลายโมดัลเพื่อจัดทำรายงาน
ในด้านการสร้างสรรค์เสียงและวิดีโอ โมเดลนี้สามารถนำไปใช้กับสถานการณ์ต่าง ๆ เช่น การทำมิวสิกวิดีโอ การแปลซีรีส์สั้น และการบรรยายภาพยนตร์ยาว ตัวอย่างเช่น ในงานทำมิวสิกวิดีโอ โมเดลสามารถเข้าใจโครงสร้างเพลง จังหวะ และอารมณ์ พร้อมส่งออกเนื้อร้องระดับประโยคที่มี time stamp สำหรับการแปลซีรีส์สั้น สามารถระบุตัวละคร แปลด้วยภาษาพูด โคลนเสียงพากย์ รีมิกซ์แทร็กเสียง และตรวจสอบคุณภาพของผลงานสุดท้าย ส่วนการจัดการภาพยนตร์ยาว สามารถย่อเนื้อหา วางแผนการบรรยาย ใส่เสียงพากย์และดนตรีประกอบ ตัดต่อเรนเดอร์ และตรวจสอบคุณภาพขั้นสุดท้าย
นอกจากนี้ โมเดลยังสามารถแปลงเนื้อหาวิดีโอยาวให้เป็นสินทรัพย์ข้อมูลที่นำกลับมาใช้ใหม่ได้ รวมถึงการจัดระเบียบจุดความรู้และแยกขั้นตอนโดยอัตโนมัติ สร้างบันทึก PDF ที่จับคู่ภาพกับข้อความ พร้อมทั้งแปลงเพิ่มเติมเป็น Agent Skill ที่ผ่านการตรวจสอบและประเมินผลแล้ว ส่วนเวอร์ชันอินเทอร์แอ็กทีฟแบบเรียลไทม์อย่าง Qwen 3.8-Omni-Flash-Realtime สามารถรับรู้และตอบสนองไปพร้อมกับการสตรีมอินพุตเสียงและวิดีโอ เหมาะกับสถานการณ์อย่างการฝึกสนทนาภาษาพูด การรับรู้เสียงเชิงพื้นที่ และการบริการลูกค้าอัจฉริยะ
ในด้านเครื่องมือที่ใช้ร่วมกัน ทางผู้พัฒนาได้ขยาย Qwen-MM-Plugins ควบคู่ไปด้วย โดยเพิ่มความสามารถหลายด้านสำหรับการทำความเข้าใจและการสร้างสรรค์เสียงและวิดีโอ อีกทั้งเปิดเป็นโอเพนซอร์ส Qwen-Live Harness สำหรับการโต้ตอบและดำเนินงานกับเสียงและวิดีโอแบบต่อเนื่องและเรียลไทม์ จากข้อมูลของทางผู้พัฒนา เมื่อประเมินรวม 30 รายการ Qwen 3.8-Omni-Flash มีคะแนนเฉลี่ยสูงขึ้นกว่า Qwen 3.5-Omni-Plus รุ่นก่อนหน้ามากกว่า 26% ขณะเดียวกัน ราคาอินพุตเสียงต่อชั่วโมงผ่าน API ลดลงมากกว่า 98% และราคาอินพุตเสียงและวิดีโอต่อชั่วโมงลดลงมากกว่า 93%
ขณะนี้ โมเดลดังกล่าวเปิดให้ใช้งานบนแพลตฟอร์ม 千問 AI แล้ว