跳转到主要内容

阿里甩出Qwen3.8-Omni-Flash：音频成本暴降98%，多模态战火重燃

阿里再出手：Qwen3.8-Omni-Flash 把多模态和智能体揉到了一起

阿里通义千问团队最近发布了新一代原生多模态模型 Qwen3.8-Omni-Flash。跟上一代 Qwen3.5-Omni-Plus 比，官方说在 29 项基准测试里平均提升了 25% 以上。

这次最大的变化不是功能变多了，而是处理方式变了——不再是把语音识别和图像识别简单拼在一起，而是在模型底层原生处理不同类型的信息。说白了，阿里想让这个模型不光“看懂”音频视频，还要在看懂之后自己规划任务、调用工具、把活干完。

Image

音频是它的主场，但视频上 Gemini 还压着一头

音频能力是 Qwen3.8-Omni-Flash 最拿得出手的地方。在 WildClawBench-MM 多模态工具调用测试里，它拿了 71.0 分，Gemini3.8Flash 是 58.9；DailyOmni 上 85.1 对 84.0；SpotSoundBench 上 67.2 对 39.7；MMAU 上 81.8 对 76.9——四项全胜。

多说话人会议识别进步更夸张。AliMeeting 测试里，说话人错误率（DER）从前代的 88.11 掉到 3.35，带说话人归属的词错误率（cpWER）从 89.61 降到 17.18。不过它也不是全面领先——AgenticVBench 上 Gemini3.8Flash 拿了 45.0，Qwen 是 36.8；OmniGAIA 上 78.6 对 74.0，部分视频理解测试里 Gemini 依然占优。所以“逼近 Gemini”这个说法，主要还是在音频和音视频综合能力上成立。

真正可能改写玩法的，是价格

Qwen 声称音频输入的每小时预估成本降了 98% 以上，音视频混合输入降了 93% 以上。按官方口径，小时成本按处理两分钟素材价格的 30 倍计算，视频输入是 720p、每秒一帧。阿里云国际站定价为每百万输入 token 0.15 美元，每百万缓存输入 token 0.016 美元，每百万输出 token 0.47 美元，中国大陆和部分其他地区价格有所不同。

配上 100 万 token 的上下文窗口（最大输入接近 992,000，思考模式下约 984,000，最大输出 131,000），开发者可以直接把海量音频或视频喂给模型，不用频繁切片、抽帧或者串联多个模型。它还支持 113 种语言和方言的音频输入，能分析立体声和 4 声道空间音频，并提供函数调用、联网搜索和上下文缓存。

应用方向：让智能体把活干完

通义团队把重点放在了“智能体交付”上——模型可以分析长视频、定位关键内容，然后用工具做视频剪辑、内容整理、会议纪要和字幕生成。配套工具包括用于多模态智能体开发的 Qwen-MM-Plugins，还计划推出 Qwen-Live-Harness。

目前 Qwen3.8-Omni-Flash 已通过阿里云百炼平台开放，覆盖北京、新加坡、香港、东京、法兰克福和弗吉尼亚等区域。模型本身没有直接开源，这次主要开放的是配套的多模态插件和开发工具。

如果音频成本真能降 98% 以上，那长会议、播客、直播和海量视频素材的自动分析就会变得极其便宜。Qwen 和 Google Gemini 在多模态领域的贴身肉搏，恐怕又要升级了。

Key Points

  • 原生多模态：Qwen3.8-Omni-Flash 在模型底层统一处理文本、图像、音频和视频，而非简单拼接。
  • 音频强势：四项音频基准测试全面领先 Gemini3.8Flash，会议识别错误率大幅下降。
  • 成本暴降：音频输入成本降低超 98%，音视频混合输入降低超 93%。
  • 百万上下文：支持 100 万 token 上下文窗口，可直接处理超长音视频。
  • 智能体交付：配套 Qwen-MM-Plugins 等工具，瞄准视频编辑、会议纪要等自动化场景。
  • 视频短板：部分视频理解测试仍落后于 Gemini，竞争远未结束。