알리바바, 'Qwen3.8-Omni-Flash' 공개: 100만 토큰 지원 멀티모달 모델

영상 분석이나 숏폼 번역 작업을 할 때마다 음성을 따로 추출해 자막을 만들고 영상을 프레임 단위로 쪼개야 했던 번거로움이 크게 줄어들 전망입니다.

이번 주 알리바바는 텍스트와 음성, 이미지, 비디오를 한 번에 처리하는 멀티모달 모델 Qwen3.8-Omni-Flash를 공개했습니다.

이 모델은 100만 토큰의 컨텍스트 윈도우를 지원합니다. 약 1시간 분량의 동영상이나 10시간 이상의 음성 파일을 단번에 프롬프트로 집어넣을 수 있는 크기입니다.

실시간 스트리밍 분석과 자율 툴 호출

플래시(Flash)라는 이름에 걸맞게 빠른 처리 속도가 핵심입니다.

실시간 스트리밍 처리가 가능해 카메라를 켜고 현장 화면을 비추며 실시간으로 사물을 묻고 설명을 들을 수 있습니다.

저장된 영상을 입력하면 단순 요약을 넘어 인물, 카메라 무빙, 화면 구도, 대사, 배경음 등을 층위별로 분해해 분석합니다.

자율적으로 계획을 세우고 외부 편집 도구를 호출하는 기능도 갖췄습니다. 영상 컷 편집, 자막 생성, 숏폼 드라마 번역 등의 파이프라인을 스스로 도구를 써서 수행합니다.

공개된 벤치마크 결과에 따르면, Qwen3.8-Omni-Flash는 음성 및 영상 이해, 오디오 추론, 음성 인식 테스트 대부분에서 Gemini 3.8 Flash를 앞섰습니다.

이전 3.5 버전에 비해 토큰 소모량도 크게 줄였습니다. API 기준 시간당 영상 및 음성 입력 단가가 Gemini Flash보다 훨씬 저렴하다는 설명입니다.

다만 이번 모델은 오픈소스로 공개되지 않았습니다. 현재는 Chen AI 플랫폼을 통해 토큰 구독 플랜 형태로 API만 제공됩니다.

왜 중요한가

알리바바는 고비용 멀티모달 처리 영역에서 가장 실리적인 지점을 파고들었습니다.

영상 클립 자동 생성, 팟캐스트 요약, 콘텐츠 현지화 솔루션을 개발 중인 팀이라면 지금 바로 연동 테스트를 진행해 볼 만합니다. 1시간짜리 영상을 통째로 넣어도 감당할 수 있는 가격 구조를 갖췄기 때문입니다.

단순히 영상을 보고 대답하는 수준을 넘어, 모델이 자체적으로 툴을 호출해 편집 작업까지 직접 수행하도록 설계한 점은 영리한 선택입니다.

반면 Qwen 브랜드의 강점이었던 가중치 오픈소스 공개 대신 폐쇄형 API 공급 방식을 택한 점은 한계로 지적됩니다. 보안이 중요한 방송 미공개본이나 기업 사내 영상을 다루는 고객에게는 클라우드 전송에 따른 장벽이 남기 때문입니다.