Qwen3.8-Omni-Flashが登場：100万トークンのコンテキスト、音声コスト98%削減、テキスト出力のみ

本日のローンチによりQwen3.8-Omni-Flashが2026年9月18日、API顧客向けに公開された。そしてその冒頭で示された数字はスコアではなく請求額だった。音声入力1時間あたり、Qwenによれば新モデルのコストは前世代の98%削減よりもQwen3.5-Omni-Plus。音声と映像を合わせた1時間あたりでは93%削減となる。発表のその他の内容はすべてこの枠組みから導かれている。Qwen3.8-Omni-Flashはネイティブなオムニモーダルモデルであり、テキスト・画像・音声・映像を入力でき、コンテキストは100万トークン、1回の呼び出しで最大丸1時間にわたる連続した音声映像を扱える。そしてアリババはこれを、メディアをより巧みに記述するモデルとしてではなく、それに働きかけるために作られた初のQwenモデルとして売り込んでいる。キャッチコピーは「Omni Senses. Agentic Delivery.」。同じ資料に率直に記されている落とし穴は、このモデルがテキストでしか答えないという点だ。聞き、見るが、話しはしない。

以下で触れることのうち、独立して再現されたものは一つもない。このモデルは公開からまだ数時間しか経っておらず、第三者による評価もまだ存在せず、発表資料に載っているベンチマークと価格の数値はすべてAlibaba自身によるものである。数値がベンダー報告である場合、本記事はそれを載せている文の中でその旨を明記している。ある解釈がベンダーではなく批評家によるものである場合は、誰によるものかを明示している。唯一、今日独立して検証できる事柄——モデルがAlibabaのプラットフォーム上で稼働しており、他の誰のカタログにも載っていないということ——は、このローンチが最も語りたがっていない事柄である。

実際に出荷されたもの

オムニモーダルの発表としては異例なほど仕様書がすっきりしているが、それ自体がこの話の核心だ。このファミリーにおける前世代のオムニモデルは、テキストLLMに別々の知覚エンコーダーを後付けで組み込んだ寄せ集めだったのに対し、今回のモデルはQwen3.8-Flashアーキテクチャ系に直接構築されており、モダリティは後付けではなくネイティブに処理される。

• 入力 — テキスト、画像、音声、動画に対応し、ステレオおよび4チャンネルの空間オーディオも受け付けます。出力はテキストのみです。

• コンテキスト — 100万トークン、最大入力はおよそ991K（思考モードでは約983K）、最大出力は131K、推論バジェットは262Kに達する。

• 継続時間 — 1回の呼び出しにつき最大1時間の連続した音声または音声付き映像。これが、会議や長尺動画のユースケースをチャンク分割なしで実現可能にする数値です。

• 音声カバレッジ — 周辺ツールにおいて74言語の認識と29言語の音声生成に対応。このリリースに関する中国語の報道の一つでは、音声入力で113言語と方言に対応していると述べられている。

• 提供状況 — Qianwen AI プラットフォームおよび Alibaba Cloud Model Studio（Bailian）にて、API ID qwen3-8-omni-flash で提供。重みは公開されていません。Realtime 版は、音源定位を備えた初のオムニモーダルモデルと説明されています。

その98%はコストに関する主張であり、その背後にある計算は一見の価値がある。

音声1時間のコストが98%削減されたというのは、トークン1個の価格が98%削減されたというよりはるかに大きな数字であり、この2つの間のギャップこそが、この発表が効き目を発揮する場所だ。1時間あたりの数値は、2分間のサンプルに価格を付けて30倍することで導き出されており、動画は720p・毎秒1フレームでサンプリングされている。これは本番ワークロードを見積もるための正当な方法であり、同時に、そのモデルが何を見るよう求められているかの説明でもある。毎秒1フレームは、何が話されたか、画面上でおおよそ何が起きたかを把握するには十分だが、フレーム単位の処理を検査したり、編集の品質を判断したり、単一フレームのアーティファクトを捉えたりするには到底足りない。2つの変更が掛け合わされている——純粋な単価の引き下げと、はるかに攻めたサンプリング方針——そしてモデルの改善と言えるのは最初のものだけである。

単価そのものは具体的である。国際価格は次のとおりである。入力トークン100万あたり0.15ドル、キャッシュ済み入力トークン100万あたり0.016ドル、および出力トークン100万あたり0.47ドル。中国国内のBailian価格は100万あたり0.8元（マルチモーダル入力）で、約18元から値下げされている。国際版と中国本土版の課金システムは別個であり、数値は相互に置き換え可能ではないことに注意されたい。直接比較する人は誤った答えを得るだろう。

これは、ルーティングがいつも以上に重要になるリリースです。OrcaRouterはプロバイダーの定価を0%のマークアップでそのまま通過させるため、この種のベンダー価格の引き下げは、次回の契約更新時ではなく、実施されたその日に当社のお客様へ届きます。真に検証可能な比較対象は、当社自身のカタログにすでに存在します。Qwen3.8-Flashは、これと並んで構築されたマルチモーダルモデルであり、現在100万入力トークンあたり$0.15、100万出力トークンあたり$0.47でルーティング可能です — アリババが新しいオムニモデルに対して提示しているのと同じ定価です — そして本稿を書く前の7日間で24.7億トークンのトラフィックを当社のAPI経由で運びました。これは、この層がすでにどれほどの需要を抱えているかを示す妥当な指標です。オムニモデル自体は当社のカタログにはまだなく、そうなるまではアリババ自身のプラットフォーム上でのみ動作し、他のどこでもありません。そこを装うつもりはありません。

ローンチにおけるすべてのベンチマークは一つのことだけを比較している

見出しとなるのは平均改善率約30件の評価で26%超——そしてそれら評価はすべてQwen3.5-Omni-Plusに対するものです。これはローンチにとって適切なベースラインであり、同時に狭いベースラインでもあります。つまり、このファミリーが前進したことは分かりますが、あなたがすでに費用を払っているものと比べてどこに位置するかは分かりません。

個々の数値はすべてベンダー報告によるものである：WildClawBench-MM 71.0、36.5ポイント上昇し、このセットの中で単一最大の伸びとなった。UniClawBench 69.6；AgenticVBenchは22.3ポイント上昇して36.8。LongAudioSpan 82.7、8.3上昇。OmniVideoBench 63.4、9.6上昇。OmniCap-IF 28.2。最も際立つのはAliMeetingにおける話者ダイアライゼーションで、誤り率は88.11から3.35へ、cpWERは89.61から17.18へと低下している——拍手よりも精査に値するほど大きな飛躍である。今回のローンチに関する中国語の技術分析はまさにその点を論じており、改善のかなりの部分をモデル自体の推論ではなく、モデルを取り巻くフロントエンドとダイアライゼーションのエンジニアリングに帰し、このシステムは聴覚に特化しているように見える一方で深い動画推論は比較的弱いと警告している。それは批評家の見解であり、測定による再現ではないが、この差分の大きさこそが心に留めておくべき理由である。

もう一つ覚えておく価値のある数字は、スコアですらない。アリババが Agentic Understanding モードと呼ぶものでは、モデルはすべてのフレームを処理するのではなく、何を見て何を聞くかを自ら決め、粗から細へと段階を踏んで証拠を集める。OmniVideoBench では、このモードによって精度が 63.4 から 67.8 に向上する一方でクエリあたりのトークン数は 145,736 から 79,117へと削減される — 45.7% の削減だ。精度が上がりコストが下がるという同時達成は、今回の発表の中で最も強い主張であり、エージェント的訴求を最も直接的に裏付けるものだ。

Geminiの比較は、報道が示唆するよりも狭い範囲にとどまっている

アリババの位置づけは、音声・映像能力が「Gemini 3.8 Flashに迫る」一方で、音声の総合性能ではそれを上回るというものだ。脚色を取り払って、ベンダーが報告した比較を並べるとこうなる。WildClawBench-MM：71.0 対 58.9。SpotSoundBench：67.2 対 39.7。MMAU：81.8 対 76.9。DailyOmni：85.1 対 84.0。これらは音声および音声中心のツール利用における実際の差だ。同時に、選び抜かれたものでもある。AgenticVBenchという、純粋な動画推論のベンチマークでは順序が逆転する——Geminiが45.0でQwenの36.8を上回る——そしてアリババ自身の説明も、Geminiが依然としていくつかの動画理解テストでリードしていることを認めている。妥当な要約は、Qwenがオムニの音声半分を取ったが映像半分では依然として後れを取っているというもので、これは見出しが流した主張とは別物だ。

「Qwen初のオムニモーダルモデル」には修飾語が必要だ

「Qwen3.8-Omni-FlashはQwen初のオムニモーダルモデルだ」という枠組みは今日広く出回っており、正確を期す価値がある。なぜなら、このファミリーにはその称号を主張するに足る先行エントリーが存在するからだ。Qwen2.5-Omniは、2025年3月にThinker-Talkerアーキテクチャで公開された7Bのオープンウェイトモデルで、テキスト、画像、音声、動画を入力として受け取り、テキストだけでなく音声も生成した。ここで本当に初めてなのはネイティブなオムニモーダリティだ。知覚エンコーダを後付けしたテキストLLMではなく、単一のモデルをQwen3.8-Flash基盤の上に構築したものであり、さらにエージェントファーストの設計方針を備えている。どちらの主張も真実だが、繰り返し広まったのはそのうちの一方だけだ。今週より前にQwenのオムニモデルは存在しなかったという前提でこのモデルを評価するなら、Qwen2.5-Omniからのアップグレードパスを誤って値付けすることになる。この比較については別途記事にまとめている。

ツール群こそが、エージェント的だという主張が実際に宿る場所である

モデルと同時に登場したものが2つあり、それらはモデルカードが示唆する以上に重要です。なぜなら、知覚を実際の提供へと変えるのは、まさにこれらだからです。 Qwen-MM-Pluginsはエージェントハーネス向けのマルチモーダル・プラグインスイートで、外部エージェントに画像・音声・動画・文書の理解、さらに長時間動画のメモリと動画編集を提供します。Codex、Claude Code、Qwen Code、Gemini CLI などへの対応をうたっており、数時間分の動画を図解付き PDF ノートに変える Video2Note を含む、名前付きのツールを同梱しています。 Qwen-Live Harnessは、継続的なリアルタイム・オムニモーダル対話のためのオープンソース化されたランタイムで、ユーザーがライブで会話し、より重い作業をバックグラウンドのエージェントに委任するスケジューリング層として機能します。発表当日の報道からの注意点が1つあります。Gigazine が確認した時点で Qwen-Live Harness の GitHub ページは 404 を返していたため、リポジトリが解決するまでは、このツール群は検証済みではなく発表されたものとして扱ってください。

打ち上げが葬り去る一文：それは語らない

前身のモデルが音声を生成していたことを考えれば、Qwen3.8-Omni-Flashがマルチモーダル入力・テキスト出力であるという事実こそ、仕様の中で最も重大な一行だが、資料の中ではほとんど脚注のようにしか扱われていない。これは、このモデルを単体で音声対音声の製品に投入できないことを意味する。これを基にした吹き替え、音声エージェント、リアルタイム会話には外部のテキスト読み上げ段階が必要で、動画の場合は外部レンダラーも必要になる——まさにそのためにプラグインスイートとライブハーネスが存在する。実務上の帰結は、「単一のオムニモデル」より可動部品の多いパイプラインであり、レイテンシはそのすべてに配分して見積もらなければならないということだ。

リリースには、そのギャップの、そしてこのモデルが何に適しているかについての、見事な実証が埋もれている。「モデルがモデルを最適化する」実験では、Qwen3.8-Omni-Flashが自律的に改善したのはQwen2.5-Omni-3Bの四川方言認識であり、文字誤り率を25.79%から15.30%に12時間以内に削減し、4ラウンドにわたって3,413個の訓練サンプルを構築した。より小さな兄弟モデルの方言処理を診断し修復できるモデルは、文字起こしAPIにはできないことをしている。ベンチマーク表ではなく、まさにこれが、ここで「エージェント的」が意味すべきことの最も明確な論拠である。

何が私たちの読みを変えるだろうか

正直な現状はこうだ。これは仕様が明確で、価格面でも魅力的な話を備えたローンチだが、独立した評価はなく、少なくとも一つ、発表が軽く流している構造的な制約がある。決着をつけるには三つのことが必要だ。Artificial Analysis や LMArena への掲載があれば、ベンダー公表の数字を比較可能な数字に変えられるが、まだ存在しない。45.7% のトークン削減——精度が上がりながらコストが下がるという主張——を第三者機関が検証すれば、このリリースで最も有用でありながら最も華やかでない成果が裏づけられる。そして AliMeeting の話者分離を独立に測定すれば、88ポイントの低下がモデル自身の問題なのか、それを取り巻くパイプラインの問題なのかが明らかになるだろう。

それまでは、初日を迎えたあらゆるモデルに当てはまる合理的な姿勢が妥当だ。つまり、試す価値はあるが、本番の経路を賭ける価値はない。すでにOrcaRouter経由でルーティングしているなら、実用的な策は、計測済みのモデルにワークロードを載せ続け、Qwen3.8-Omni-Flashは、どちらのベンダーのベンチマーク表ではなく、自社の音声や動画でそれらと比較して審査する候補として扱うことだ。ユースケースが中国語と英語の長時間の会議やメディア分析であれば、ここでのトークン経済性は今テストすることを正当化するほど強い。