Cloudflare的Clef-omni：现已原生支持音频与视频

Cloudflare的Clef-omni：一个模型统治一切？

还记得处理视频意味着将其切成一百万张静态帧吗？Cloudflare刚刚告别了那个头疼的问题。他们的新Clef-omni模型，现已在Hugging Face上完全开源，原生理解音频和视频——无需预处理体操。

从笨拙到无缝

以前，Cloudflare的Clef系列只能处理文本和图像。视频？你必须将其拆分成帧，单独转录音频，然后将一切重新拼接起来。Clef-omni将那个流程抛到了窗外。它直接接受wav、mp3、mp4和webm文件。开发者现在可以进行一次API调用，同时处理文本、图像、音频和视频。对于任何构建多模态应用的人来说，这是一个巨大的简化。

为速度而生，而非莎士比亚

在底层，Clef-omni运行在Qwen3-Omni-30B-A3B-Instruct架构上。但别指望它写诗——它是一个决策专家。它输出结构化结果，而不是散文。而且它很快：文本的中位响应时间约为130毫秒，图像约为150毫秒，一个21秒的有声视频？只需1.5秒就能评分。这比大多数人眨眼两次还要快。

价格下调和上下文调整

Cloudflare没有止步于模型。他们还大幅降低了Clef-flash的价格：输入成本下降了58%，从每百万token 0.09美元降至0.038美元。托管版本的上下文窗口从64k缩小到24k——这是为了效率的权衡。对于关注云账单的开发者来说，这是个好消息。

这对你意味着什么

如果你正在构建智能工作流或自动化决策系统，Clef-omni提供了一个更精简、更便宜的基础。不再需要将语音转文本和视频分割器拼凑在一起。一个模型，一次调用，原生多模态。开源发布意味着你可以修补、部署和扩展，而不会被供应商锁定。

那么，准备好抛弃管道意大利面了吗？Clef-omni可能就是你新的最爱工具。

关键要点

• 原生音频与视频：Clef-omni直接处理wav、mp3、mp4和webm——无需预先拆分。
• 单次API调用：一次性处理文本、图像、音频和视频。
• 极速：文本约130毫秒，图像约150毫秒，21秒视频1.5秒。
• 开源：权重可在Hugging Face上获取。
• 价格下降：Clef-flash输入成本降低58%，至每百万token 0.038美元。
• 上下文窗口：托管版本从64k减少到24k以提高效率。