アリババが「Qwen3.8-Omni-Flash」発表：100万トークンの音響・動画マルチモーダル

動画の要約やショートドラマの翻訳をする際、音声を文字起こしし、映像からキーフレームを切り出して別々に処理する手間はこれまで開発者の悩みの種でした。

今週、アリババはそのような手作業を一掃すべく、マルチモーダルモデル「Qwen3.8-Omni-Flash」をリリースしました。

テキストだけでなく、音声、画像、動画をそのまま直接入力できるのが特徴です。コンテキストウィンドウは100万トークンに達し、約1時間の動画または10時間以上の音声を一度に読み込めます。

リアルタイム処理と動画編集ツールの自律呼び出し

Flashモデルという名称のとおり、応答速度の速さに重きが置かれています。

リアルタイムのストリーミング処理に対応しており、例えばスマートフォンのカメラ映像を入力しながら、映っている光景について対話形式で質問し、即座に回答を得ることが可能です。

動画ファイルをアップロードすれば、登場人物、カメラワーク、画面の構図、セリフ、音声情報を詳細に分解・分析できます。

さらに、モデル自身が計画を立てて外部ツールを呼び出し、動画のクリップ切り出しや字幕作成、ショートドラマの翻訳といった実務作業を自動で完結できます。

公開されたベンチマークでは、Gemini 3.8 Flashと比較して、動画・音声の理解、音声推論、音声認識の大部分のテストで上回るスコアを記録しました。

旧世代の3.5バージョンと比較してトークン消費量が大幅に削減されており、API経由での動画・音声入力コストはGemini Flashよりも大幅に安価に抑えられています。

ただし、オープンソースでの公開は見送られており、現在はChen AIプラットフォームを通じてAPI提供とトークンプランの契約という形で利用可能です。

なぜ重要か

アリババの今回の狙いは、計算コストが膨らみがちな動画・音声パイプラインの低価格化と高速化に絞り込まれています。

ポッドキャストの自動文字起こし、SNS向けショート動画の自動編集、監視映像の解析などを手がける開発者にとって、現在試す価値が十分にあります。1時間クラスの長尺コンテンツを低コストで扱える実用性は大きな武器です。

モデルが映像を把握するだけでなく、自律的にツールを叩いて動画編集まで実行する設計は非常に実用的だと評価できます。

一方で、Qwenシリーズがこれまで築いてきたオープンソース路線とは異なり、API限定の提供に留まっている点は懸念材料です。機密性の高い社内映像や監視データを扱う現場では、クラウドAPIへのデータ送信を躊躇するケースも多く、今後の普及におけるハードルになる可能性があります。