Cloudflare的Clef-omni现已能听能看：新开放模型处理音频和视频

Cloudflare的Clef-omni：一个真正能听能看的决策模型

10月9日，Cloudflare悄然推出了一项可能让开发者的生活轻松许多的功能：Clef-omni，一个开放权重的决策模型，现在支持音频和视频输入。不再需要为语音转文本和视频帧提取分别使用不同的API——这个模型一次调用就能处理所有内容。

从文本和图像到全多模态

最初的Clef模型已经适用于文本、图像和按间隔提取的静态帧。但Clef-omni更进一步：它原生支持wav、mp3、mp4和webm格式。这意味着你可以向它输入播客、视频片段或混合媒体，而无需进行通常的预处理麻烦。开发者过去需要花费数小时拼接转录和分割工具；现在只需一个模型、一个请求。

底层技术：基于Qwen3-Omni构建

Clef-omni并非从零开始。它基于Qwen3-Omni-30B-A3B-Instruct构建，这为其理解多模态内容提供了坚实的基础。但关键在于：它并非设计用来写文章或聊天。相反，它专注于结构化决策任务——例如分类、路由或任何需要快速、可靠判断的场景。

速度如何？纯文本请求的中位响应时间约为130毫秒，图像约为150毫秒。对于21秒带声音的视频，评估大约需要1.5秒。这对于接近实时的应用来说足够快，尽管你不会想用它处理一部长片。

Clef-flash降价

除了新模型，Cloudflare还降低了Clef-flash的价格。每百万输入令牌的成本从0.09美元降至0.038美元——降低了58%。托管版本的上下文窗口从64k缩小到24k，这对某些用例可能有影响，但对于许多决策任务来说，这是一个合理的权衡。总体而言，分层定价现在覆盖了更广泛的预算和性能需求。

这对开发者意味着什么

如果你正在构建需要处理音频或视频而无需将所有内容发送到重型LLM的应用，Clef-omni可能是一个理想的选择。它是开放权重的，因此你可以自行托管。而且随着Clef-flash的降价，实验成本更低了。问题在于？它不是通用模型——不要指望它写博客文章。但对于决策制定，它是一个专用工具，可能为你节省大量管道工作。

关键点

• Clef-omni原生支持音频和视频，消除了单独的转录和分割步骤。
• 基于Qwen3-Omni-30B-A3B-Instruct构建，针对结构化决策任务，而非文本生成。
• 响应时间：文本约130毫秒，图像约150毫秒，21秒视频约1.5秒。
• Clef-flash降价58%，至每百万输入令牌0.038美元；上下文窗口减少到24k。
• 开放权重模型允许自托管和定制。