アリババ、音声・動画対応「Qwen3.8-Omni-Flash」発表

中国のAlibaba（中国の大手テクノロジー企業でQwenシリーズなどを開発）は、音声・映像・テキストをネイティブ処理する次世代オムニモーダルAIモデル「Qwen3.8-Omni-Flash（アリババの軽量かつ高性能なネイティブオムニモーダル基盤モデル）」を発表しました。100万トークンの巨大コンテキストウィンドウに対応し、テキストのみのモデルと同等の言語処理能力を維持しながら、大幅な音声・動画処理性能の向上と劇的なAPIコスト削減を実現しています。

25％の性能向上と90％超のAPIコスト削減

公式発表およびGIGAZINEの報道によると、Qwen3.8-Omni-Flashは29種類の主要ベンチマークにおいて、前世代の「Qwen3.5-Omni-Plus」と比較して平均スコアが25％以上向上しました。その一方で、API価格は音声入力1時間あたりで98％超、音声および映像入力1時間あたりで93％超の低価格化が図られています。

性能面では、音声・映像エージェントを評価する「WildClawBench-MM」でQwen3.5-Omni-Plusから36.5ポイント増の71.0を記録したほか、「UniClawBench」でも69.6を達成しました。長尺音声理解ベンチマーク「LongAudioSpan」では82.7、マルチモーダル推論ベンチマーク「OmniVideoBench」では63.4、中国語会議文字起こし「AliMeeting」では89.7をマークし、競合の「Gemini 3.8 Flash（Googleのマルチモーダル対応高速基盤モデル）」に匹敵または上回る成果を示しています。

多言語対応も大幅に拡充され、音声認識（ASR）は日本語を含む74言語、音声生成（TTS）は29言語をサポートしています。また、長尺メディア処理に伴うコストと計算負荷に対処するため、ツール連携拡張「Qwen-MM-Plugins」やリアルタイム対話ハーネス「Qwen-Live Harness」の整備も進められています。

独自価値要素：公式ドキュメントと報道の差分整理・日本環境への影響

Alibaba Cloud Model Studioの公式開発者ドキュメントと報道資料を照合すると、実務導入における具体的な仕様が明らかになっています。

項目	公式ドキュメント記載の仕様	報道・ベンチマーク上の特徴
​対応入力モダリティ​	テキスト、画像、音声、動画	長尺音声・動画・マルチチャンネル音声（空間オーディオ）に対応
​出力モダリティ​	テキスト出力（思考プロセス含む）	音声生成はQianwenプラットフォーム等で29言語サポート
​コンテキスト上限​	100万トークン（思考時最大入力983,616 / 非思考時991,808）	最大出力131,072トークン
​思考機能（Thinking）​	デフォルトで有効化（推論深度の調整が可能）	複雑なマルチモーダル協調推論に対応
​提供リージョン​	東京（日本）、北京、シンガポール、香港、フランクフルト、バージニア	日本国内リージョンからの低遅延API呼び出しに対応

日本の開発者への影響と未確認事項

日本の開発者にとって、Alibaba Cloud Model Studioの東京リージョンで即座にAPIキーを取得して利用できる点は大きな利点です。日本語の音声認識・生成を標準サポートし、コンテキストキャッシング機能も備えるため、動画要約やコールセンター音声解析などを極めて低コストで構築できます。

一方で、オープンソースとして公開が予定されていた「Qwen-Live Harness」のリポジトリが発表直時点で404エラーとなっているなど、エージェント向け運用フレームワークの一部は順次公開待ちの状態となっています。

分析と今後の展望

編集部注: これまで音声や動画を扱えるマルチモーダルモデルは高コストかつ推論遅延が大きく、リアルタイムなエージェント業務への組み込みが困難でした。AlibabaがQwen3.8-Omni-Flashによって、コンテキスト100万トークンと高いマルチモーダル推論精度を保ちつつ、音声入力コストを98%削減したことは、マルチモーダルAIが単なる「知覚・認識」から「常時稼働する自律エージェントの基本メディア」へと実用化段階に入ったことを示しています。

引用元：alibabacloud.com | GIGAZINE | GIGAZINE | AI Watch Impress | TechNode | X | MarkTechPost | AI TLDR | ithome.com