个人场外配资阿里发布 Qwen3.8-Omni-Flash 全模态模型：音视频能力提升

IT之家 9 月 18 日消息个人场外配资，阿里千问今日正式上线新一代原生全模态模型 Qwen3.8-Omni-Flash，并已在千问 AI 平台提供。该模型可同时处理文本、图像、音频和视频输入，支持 1M 上下文。

全模态模型指可同时处理文本、图像、音频、视频等多种输入形式。官方称，该模型在保持同尺寸文本模型能力的同时，全模态能力较上一代明显提升。

在累计 30 项评测上，Qwen3.8-Omni-Flash 相比上一代 Qwen3.5-Omni-Plus 平均得分提升超过 26%。在音视频 Agent、Coding 和长程任务方面，WildClawBench-MM 提升 36.5 分，AgenticVBench 提升 22.3 分，UniClawBench 取得 69.6 分。

基础能力方面，LongAudioSpan 提升 8.3 分，OmniVideoBench 提升 9.6 分，OmniCap-IF 的 CSR / ISR 分别提升 8.5/14.1 分。AliMeeting 的 DER / cpWER 从 88.11/89.61 降至 3.35/17.18。

官方称，其音视频能力接近 Gemini 3.8 Flash，音频能力整体超过 Gemini 3.8 Flash。API 每小时音频输入价格降幅超过 98%，每小时音视频输入价格降幅超过 93%。

为支持长音视频，官方扩展了 Qwen-MM-Plugins，并开源 Qwen-Live Harness。前者面向长程工作流的按需感知、工具调用与执行，后者面向实时、持续的全模态交互。

长音视频理解方面，模型支持按需描述、Agentic 主动取证、会议任务推进和视频深度研究报告。可控音视频 Caption 可指定描述对象、时间范围、信息粒度和输出格式。

在 Agentic 长音视频理解中，OmniVideoBench 准确率从 63.4 提升至 67.8，Token 消耗从 145,736 降至 79,117，降幅约 45.7%。

会议场景中，模型支持最长一小时音视频输入，可完成说话人切分、内容转录与身份对应，生成会议纪要和待办事项，并分析项目风险。结合工具调用，还可发送邮件、整理任务或编码。

音视频生产方面，Music2MV 可理解歌曲结构、节奏与情绪，输出带时间戳的句级歌词。短剧翻译可完成角色识别、口语化翻译、角色克隆配音、音轨重混与成片质检。

长电影解说中，用户提供影片和一句话需求，Agent 可完成全模态理解、关键情节提炼、解说规划、配音配乐、剪辑渲染与成片质检。

模型优化实验中，Qwen3.8-Omni-Flash 在 12 小时内尝试提升 Qwen2.5-Omni-3B 的四川话识别能力。它自主选定评测集，经 4 轮实验构建 3413 条训练数据，字符错误率从 25.79% 降至 15.30%，相对下降约 40.7%。

信息压缩方面，Qwen-MM-Plugins 开源 Video2Note，可将数小时视频内容生成图文对应的 PDF 笔记。Omni Skill Creator 可从操作演示中提炼标准作业流程，并转化为可复用的 Agent Skill。

实时版 Qwen3.8-Omni-Flash-Realtime 可在音视频流输入同时完成感知与响应，并结合实时上下文调用工具。IT之家注意到，它还支持实时口语陪练，联合建模发音与语义，理解受口音影响的非标准表达。

官方称，该实时版是首个支持“听声辨位”的全模态大模型，融合空间声音与视觉信息，判断声源方向和距离。它还可通过 Skill 注入身份设定、表达风格、业务知识与交互规则。

在 Agentic Omni Understanding 评测中，官方在 OmniVideoBench、Video-MME-v2 和 LVOmniBench 上，对比了 Qwen3.8-Omni-Flash 与 Gemini 3.8 Flash 的 Static 模式和接入 Qwen Code 的 Agent 模式表现。