Qwen3.8-Omni-Flash 対 Qwen2.5-Omni：18ヶ月後、アップグレードは音声を失った

この比較を単なる世代更新より面白くしている事実がこれだ。古いモデルは話せて、新しいモデルは話せない。Qwen2.5-Omniは、2025年3月にリリースされ、テキスト、画像、音声、動画を入力として受け取り、テキストであるいはストリーミングの自然な音声で応答した。ダウンロードできる単一のエンドツーエンドモデルで。Qwen3.8-Omni-Flashは、2026年9月18日にリリースされ、同じ4つのモダリティを30倍のコンテキストウィンドウで扱い、祖先モデルが数秒しか処理できなかったのに対し、1時間の連続音声映像を取り込み、テキストのみを返す。18か月の作業がもたらしたのは、はるかに広い入力と、引き換えに失った出力チャネルだ。それが進歩なのかトレードオフなのかは、古いモデルを何に使っていたかによって完全に決まる——そして答えはきれいに二つに分かれる。

数値について言えば、Qwen2.5-Omniのそれはベンダー自身によるもので、2025年3月のリリース資料に基づいており、18か月にわたる広範な展開がそれを部分的に裏付けてきた。次に、Qwen3.8-Omni-Flashの数値もまたアリババのもので、本稿を執筆する数時間前に公開された発表資料に基づくものであり、その内容のいずれも独立に再現されたものはない。主張がベンダーではなく批判者によるものである場合は、その旨を明記する。検証を要さない唯一の構造的事実は、同時に最も重大な事実でもある：Qwen2.5-Omniはオープンウェイトでダウンロード可能であり、Qwen3.8-Omni-Flashはそうではない。

Qwen2.5-Omniとは何だったのか、そしてなぜ重要だったのか

2025年3月26日にリリースされたとき、Qwen2.5-Omniは、このファミリー初のエンドツーエンドのオムニモーダルモデルだった——リリースでは、文字起こし、視覚、音声がそれぞれ別々のモデルと別々の接着層を必要とする「スペシャリストの動物園」問題への答えとして位置づけられた。7Bモデルは4つの入力モダリティすべてと、テキストおよび音声の出力の両方を扱い、OmniBench融合ベンチマークでGemini-1.5-Proを上回る最先端の結果を主張し、音声生成品質スコア4.51を報告したが、これについてAlibabaは人間レベルだと述べた。3Bバリアントも同じアーキテクチャに従った。

それを実現させたエンジニアリングは名を挙げる価値がある。なぜなら新しいモデルはそれを使っていないからだ。Thinker-Talkerは仕事を2つに分けた。Thinkerトランスフォーマーが音声エンコーダーと画像エンコーダーを融合し、意味とテキストを生成する一方、TalkerはThinkerの隠れ状態から音声トークンをストリーミングし、会話履歴全体を共有していた。時間整合マルチモーダルRoPE（TMRoPE）は動画と音声の位置を交互に配置し、2つのストリームの同期を保った。ブロック単位のストリーミングにより、エンコーダーが知覚処理を行う間に言語モデルが長い系列を扱えるようになり、これが低遅延の音声応答を可能にした。付属の固定音声はChelsieとEthanの2つだった。

制約は同様に現実だった。コンテキストは32,768トークンだった。メモリは、演算能力よりもはるかに強い律速要因だった：Alibaba自身の表では、FlashAttention-2を用いたBF16推論は、15秒の動画で約31GBのGPUメモリ、30秒で42GB、丸1分で60GBとされている。動画1分を、7Bモデルで、レンタルできる最大級の単一GPU上で。その数字こそ常に念頭に置くべきものだ。なぜなら、それは2026年のモデルが打ち破るために作られた数字だからだ。

Qwen3.8-Omni-Flashとは何か

新しいモデルは、組み立てられたものではなくネイティブなオムニモーダルです。知覚エンコーダーを後付けしたテキストLLMとしてではなく、Qwen3.8-Flash アーキテクチャ系列に直接基づいて構築されており、これは単なる世代ラベルではなく構造上の違いです。テキスト、画像、音声、動画（ステレオおよび4チャンネル空間オーディオを含む）を受け付け、100万トークンのコンテキストにわたりテキストを返します。最大入力は約991K、最大出力は131K、推論予算は262Kです。処理できるのは1回の呼び出しにつき最大1時間の連続した音声映像です。音声認識は74言語に対応し、29言語の音声生成はモデルではなく周辺ツール側で処理されます。Qianwen AIプラットフォームおよびAlibaba Cloud Model StudioでID qwen3-8-omni-flash として利用でき、入力100万トークンあたり$0.15、出力100万トークンあたり$0.47、キャッシュ済み入力は$0.016です。

18ヶ月、次元ごとに

• コンテキスト — Qwen2.5-Omni の32,768トークンに対し、Qwen3.8-Omni-Flash は100万、およそ30倍の増加。

• メディアの長さ — GPUメモリに制限されるビデオの秒数、単一のホストされた通話における1時間の連続した音声・ビデオに対して。

• 出力 — 旧モデルではテキストとストリーミングの自然な音声、新モデルではテキストのみ。

• デプロイ — Qwen2.5-Omniはオープンウェイトで、ライセンスはApache-2.0、Hugging FaceとModelScopeからダウンロード可能です。Qwen3.8-Omni-FlashはAPIのみで、重みの公開は発表されていません。

• ハードウェア — 動画1分あたり最大約60GBのGPUメモリを必要とする70億パラメータに対して、一切プロビジョニングしなくてよいホスト型エンドポイント。

• 価格 — 旧モデルにはGPUが1台必要だが、新モデルは入力トークン100万個あたり0.15ドルで、Alibabaは1時間あたりの音声入力が、取って代わるQwen3.5-Omni-Plus世代よりも98%安いと主張している。

• 音声生成 — {{1}}2025年には2つの固定音声{{/1}}、{{2}}2026年のツールでは29言語の音声生成{{/2}}、そのいずれもモデル自身によって生成されたものではない。

誰も宣伝しなかった取引

2つの仕様書を並べて読めば、この18か月の輪郭が見えてくる。Alibabaはその期間を取り込み——モデルがどれだけのメディアを吸収できるか、どれだけ安く吸収できるか、そしてその判断のどれだけを自ら下せるか——の解決に費やした。Qwen3.8-Omni-Flashは、その軸における快挙である。モデルが全フレームを処理するのではなく、何をサンプリングするかを自ら選ぶAgentic Understandingモードでは、クエリあたりのトークン数が145,736から79,117に削減されつつ、OmniVideoBenchの精度は63.4から67.8へと向上し、さらにベンダーの報告によれば、AliMeetingにおける話者ダイアライゼーションの誤りは88.11から3.35へと激減している。

このインターバルが優先しなかったのは出力だ。2025年モデルを象徴する芸当——別個の音声合成器を介さず、あなたの声を聞き、エンドツーエンドで声に出して答える単一のモデル——には、ここでは後継が存在しない。Qwen2.5-OmniのTalker上に音声エージェント、吹き替えパイプライン、あるいはアクセシビリティツールを構築したのであれば、2026年モデルはそのアップグレードではない。新たなテキスト読み上げステージを後付けしなければならないコンポーネントであり、以前はレイテンシもベンダーも存在しなかったパイプラインに、その両方を追加することになる。発表資料は、モダリティの行を注意深く読めば、この点について正直だ。しかしそれは見出しにはなっておらず、両リリースで「omni」が同じ意味を持つと想定して移行する人は、本番環境でその違いを思い知ることになる。

なぜ2025年モデルにまだ仕事があるのか

理由は三つあり、どれもノスタルジーではない。第一は、上述の声だ。第二は、オープンウェイトだ：32Kのコンテキストと7Bのフットプリントは、自分で管理するハードウェア上でオフラインで動作し、データが建物の外に出ることも、トークンごとの課金メーターもない——音声データがデータレジデンシー規則の対象である場合や、レイテンシ予算が往復を許さない場合には、唯一の選択肢だ。第三は、ごく低い利用量でのコストだ。すでに所有しているGPUは限界費用がゼロであり、ホスト型モデルの100万トークンあたり$0.15は安いがゼロではなく、週に2回しか動かないワークロードにとって、それに備えてプロビジョニングする固定費は現実の負担となる。

反論は、旧モデルの制約が年々厳しさを増しているというものだ。動画1分、コンテキスト32K、そしてエージェントが標準的なデプロイ形態となった世界でツール呼び出しも構造化出力もない、というのは狭い範囲にすぎない。録音された会議を取り込まなければならないパイプラインにとって、Qwen3.8-Omni-Flashは単に優れているだけではない——可能か不可能かの違いを生む。なぜなら2025年のモデルは物理的にその入力を保持できないからだ。

旧ウェイトにあとどれだけ寿命が残っているかを具体的に述べる価値がある。というのも「レガシー」という言葉ではその実態を過小評価してしまうからだ。Qwen2.5-Omni-7Bリポジトリが記録していたのは過去1か月で343,676ダウンロード。2026年9月18日に確認した時点では、その上に約100のコミュニティSpaceと、数十のファインチューン、アダプター、量子化が構築されていた。フラッグシップがどうであれ、大勢の人々が依然として2025年モデルで出荷している。そして注目すべきことに、Hugging Faceはそれをデプロイする推論プロバイダーを挙げていなかった。つまり、その利用のほぼすべてがセルフホストであることを意味する。

新しいモデルは古いモデルを改善します

この発表で最も奇妙で最も説得力のある詳細は、資料の終わり近くに埋もれている。アリババが「モデルがモデルを最適化する」と表現する実験で、Qwen3.8-Omni-Flashは、Qwen2.5-Omni-3B——名目上置き換えるモデルの小さな兄弟モデル——の四川方言音声認識を自律的に改善し、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件の訓練サンプルを構築した。

それは、リリースに含まれるどのベンチマークよりも新しいモデルをよく擁護する論拠であり、両者の関係を捉え直すものでもある。2026年のモデルは、2025年のモデルの単なる置き換えではない。2025年の重みをより良くするツールなのだ。Qwen2.5-Omniを、それが苦手とする言語や方言の本番環境で動かしているなら、実用的な道は、ワークロードを移行することではなく、そのデプロイを維持し、新しいモデルを使って学習データを構築することかもしれない。ただし、これは方法論が公開されていないベンダー報告のデモであり、再現可能なレシピというよりは、励みになる逸話として扱うべきだ。

移行する場合

その決断が一つのモデルに絞られることはめったにない。自己ホスト型のオムニモデルから離れるチームは、三つの形の間で選択している。オープンウェイトを使い続けてプロビジョニングを続けるか、ベンダーAPIに移行して制御を放棄するか、あるいは、100万トークンの入力が必要な部分だけをホスト型モデルに送るようにワークロードを分割するか。その第三の選択肢は通常正しく、また人々が飛ばしてしまうものでもある。実際よりも手間に聞こえるからだ——会議要約の段階が移ったからといって、1か月かけて行った方言のファインチューニングを捨てる必要はない。

ルーティングが役立つのは、まさにその継ぎ目です。OrcaRouter なら200を超えるモデルにまたがる1つのキーで、プロバイダーの定価に対するマークアップは0%、エンドポイントが劣化した場合の自動フェイルオーバーも利用できます。つまり、分割パイプラインのホスト側の半分は、そのワークロードにそれだけの価値があるかどうかを知る前に、独自の契約、独自のクライアントコード、独自の監視を用意する必要がありません。私たちが行わないことを明確にしておくと、omni モデルはどちらも当社のカタログにはありません — どちらも Alibaba のプラットフォーム上、あるいはお客様自身のハードウェア上で動作します — ですからこれは、私たちを通したものではなく、モデルをめぐってお客様が下すルーティングの判断です。

誰が引っ越すべきで、誰が引っ越すべきでないのか

乗り換えるべきなのは、ワークロードが長時間の音声または動画である場合、32K のコンテキストがパイプラインの実現を妨げている場合、メディアに対するエージェント的な振る舞いが必要な場合、または大規模な話者ダイアライゼーションがあなたの抱える問題である場合です。とどまるべきなのは、モデルに発話させる必要がある場合、音声をあなたのインフラの外に出せない場合、すでにチューニング済みの特定の Qwen2.5-Omni の重みに依存している場合、または呼び出し量が十分に少なく、所有している GPU の方が従量課金より割安な場合です。

気まずい要約になるが、これは置き換えというより、製品ラインにおける分岐だ。アリババは18か月をかけて、実現可能な最高の取り込みモデルを作り上げてきたが、出力側の後継は作っていない。あなたの仕事が取り込み側にあるなら、このアップグレードはほぼ必須だ。出力側にあるなら、2025年モデルが今なお、必要なことをしてくれる最新のものだ——そして、依存している機能を静かに削除してしまうような移行を計画する前に、そのことを知っておく価値がある。