Qwenは、テキスト、画像、音声、動画を一つのモデルで受け取り、テキストで回答する新モデル「Qwen3.8-Omni-Flash」を公開しました。
長時間の会議、映像、複数資料をまたぐ作業を一つの処理系にまとめやすくした点が特徴ですが、1Mトークンという数字だけで導入を決めるのは早計です。
入力形式、出力形式、料金、既存システムとの接続方法を分けて確認すると、活用できる業務と追加設計が必要な業務が見えてきます。
発表日と提供開始をどう読むか
Qwen公式サイトのリリース表示は2026年9月18日です。
一方、Alibaba Cloud Communityの公式英語記事は9月20日付で、同じモデルの機能、評価、関連ツールを詳しく説明しています。
したがって、モデルの発表日は9月18日、英語版の詳しい公式解説が掲載された日は9月20日と区別するのが正確です。
Qwen3.8-Omni-Flashが扱える情報
QwenCloudの公式モデルページによると、入力はテキスト、画像、音声、動画に対応し、出力はテキストです。
音声を入力できることと、音声で返答できることは別の機能であり、このモデル単体の出力を音声合成モデルと混同しないよう注意が必要です。
| 確認項目 | 公式情報 | 実務上の意味 |
|---|---|---|
| 入力 | テキスト、画像、音声、動画 | 会議録、画面収録、資料画像を組み合わせた分析を設計できる |
| 出力 | テキスト | 字幕、要約、指示案は作れるが、音声や動画の生成には別の処理が要る |
| 文脈長 | 最大1Mトークン | 長い素材を扱える一方、入力品質と処理費用の管理が必要になる |
| 連携機能 | 関数呼び出し、構造化出力、キャッシュ、ウェブ検索 | 業務システムや外部ツールと接続するエージェントを構成しやすい |
モデルページには、通常モードの最大入力が991K、思考モードが983K、最大出力が131Kと記載されています。
「1M」は無条件に何でも投入できる意味ではなく、モード別の上限と出力分を含めて設計する必要があります。
公式ベンチマークと料金の読み方
Qwenチームは、29件の評価でQwen3.5-Omni-Plusより平均25％超向上し、音声入力の時間当たりAPI価格を98％超、音声付き動画入力を93％超引き下げたと説明しています。
ただし、これらは提供元が選んだ条件による公表値であり、利用者の素材や業務フローで同じ差が出ることを保証する独立評価ではありません。
比較対象、解像度、フレームレート、通貨換算が結果に影響するため、社内評価では同じ入力、同じ採点基準、同じ再試行回数をそろえる必要があります。
QwenCloudのモデルページには、確認時点の料金として100万トークン当たり入力0.15米ドル、出力0.47米ドル、暗黙キャッシュ入力0.016米ドルと掲載されています。
動画や音声は時間ではなくトークン換算で課金されるため、長時間素材のフレーム抽出方法や再利用できるキャッシュの割合まで含めて試算するのが現実的です。
エージェント連携で変わる部分
Qwenチームはモデルと合わせて、エージェント実行環境へマルチモーダル機能を追加するQwen-MM-Pluginsの公式リポジトリを案内しています。
リポジトリには、画像や動画の読み取り、長時間動画の記憶、動画からのノート作成、映像制作支援などの機能が分かれて収録されています。
モデルが素材を理解するだけでなく、必要な箇所を選び、外部ツールを呼び、成果物へつなぐ流れを組み立てやすくしたことが今回の発表の焦点です。
その一方で、プラグインを導入すれば業務が自動的に完成するわけではありません。
ファイルへのアクセス権、外部送信の可否、誤操作時の停止条件、成果物を人が確認する地点を先に決める必要があります。
導入前に行いたい四つの検証
代表的な素材で精度を測る
会議音声、製品動画、画面収録など、実際の業務で使う素材から短い検証セットを作ります。
固有名詞、話者の区別、時系列、画面内の小さな文字など、失敗すると困る項目を先に採点対象へ含めます。
長い入力を分割した場合と比べる
1Mトークンへ一括投入する方法と、章や場面ごとに分割して要約を統合する方法を比較します。
一括入力のほうが常に正確とは限らず、必要な情報が埋もれる業務では分割処理のほうが検証しやすい場合があります。
処理全体の費用を計算する
モデル料金だけでなく、動画の前処理、保存、再試行、キャッシュ、後工程の編集にかかる費用を加えます。
長時間素材では、不要区間を除く処理だけでも費用と待ち時間を抑えられる可能性があります。
人が確認する条件を決める
公開用字幕、顧客向け説明、意思決定資料では、固有名詞や数値を原資料と照合する工程を残します。
モデルの出力を下書きとして使うのか、そのまま次のシステムへ渡すのかによって、必要な承認と監査記録は変わります。
編集部の見方
Qwen3.8-Omni-Flashは、音声や動画を長い文脈のまま扱い、ツール実行までつなぐ方向を明確にしたモデルです。
注目したいのは最大文脈長そのものより、理解、計画、外部処理、成果物作成を一つの業務フローとして検証できる点です。
導入側は、派手なデモよりも代表素材での成功率、失敗時の戻し方、入力データの扱いを基準に判断すると、モデルの強みを安全に生かせます。
よくある質問
Qwen3.8-Omni-Flashは動画を生成できますか
公式モデルページが示す出力はテキストです。
動画の内容理解や編集指示の作成には使えますが、映像を書き出すには生成モデルや編集ツールとの連携が必要です。
1Mトークンなら長い動画をそのまま処理できますか
上限内でも、映像の長さ、解像度、抽出フレーム、音声の量によって消費トークンは変わります。
公式の上限値を確認し、実素材で入力サイズと精度を測る必要があります。
公式ベンチマークだけで採用を決められますか
公式値は候補を絞る材料になりますが、業務固有の名称、映像、音質、ツール連携までは代替できません。
同じ検証セットで既存方式と比較し、精度、費用、待ち時間、確認作業を合わせて評価します。
参照した一次情報
- Qwen公式リリース「Qwen3.8-Omni-Flash」
- Alibaba Cloud Community公式英語記事
- QwenCloud公式モデルページ
- Qwen-MM-Plugins公式リポジトリ
この記事に関連する株式会社greedenの取り組み
Qwen3.8-Omni-Flashのような新モデルは、機能表だけでなく実務に合う検証設計が欠かせません。株式会社greedenは、生成AIを用いた施策のツール選定から業務フロー改善、定着まで伴走します。