阿里发布Qwen3.8全模态模型，音视频能力提升

阿里千问正式上线新一代原生全模态模型Qwen3.8-Omni-Flash，并已在千问AI平台提供使用。该模型可同时处理文本、图像、音频和视频四类输入，支持1M上下文长度，百万Token的图文音视频输入价格为0.8元。官方表示，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有明显提升。

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与ISR分别提升8.5分和14.1分。会议场景指标进步尤其明显，AliMeeting的DER与cpWER从88.11和89.61降至3.35和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%。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145736降至79117，降幅约45.7%，意味着模型在看得更准的同时也更省。

为支持长音视频处理，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。

应用层面，会议场景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，结合工具调用还能发送邮件、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，用户只需提供影片和一句话需求，Agent即可完成全模态理解、关键情节提炼、解说规划、配音配乐、剪辑渲染与成片质检。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可在音视频流输入的同时完成感知与响应，并结合实时上下文调用工具，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，并可通过Skill注入身份设定、表达风格、业务知识与交互规则。

值得注意的是模型自身的优化能力。在一项实验中，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，经过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%。官方同时公布了Qwen3.8-Omni-Flash-Realtime API在不同输入场景下的实际吞吐与延迟性能信息，以及在OmniVideoBench、Video-MME-v2和LVOmniBench上对比Gemini 3.8 Flash的Static模式与接入Qwen Code的Agent模式的完整测试结果。