中国アリババグループのAI開発チーム「Qwen」は2026年9月18日、新モデル「Qwen3.8-Omni-Flash」を発表し、同社のプラットフォーム上で提供を開始した。テキスト・画像・音声・動画をひとつのモデルで統合的に処理できる「ネイティブ・オムニモーダル」構成が特徴で、最大100万トークンという長大な文脈長に対応する。長時間の音声・動画コンテンツの理解と、そこから計画立案やツール呼び出しを行うエージェント的な用途を強く意識した設計となっている。
今回のモデルでは、テキスト単体の性能を同規模のテキスト専用モデルと同水準に保ちながら、音声・動画理解の精度を大幅に引き上げた点が強調されている。会議音声の話者分離・書き起こし精度を測るベンチマークでは、話者分離誤り率と連結単語誤り率がそれぞれ88.11／89.61から3.35／17.18まで改善し、長尺音声の理解度を測るLongAudioSpanでは8.3ポイント、動画理解のOmniVideoBenchでは9.6ポイントの向上が報告されている。前世代の「Qwen3.5-Omni-Plus」との比較では、30種類の評価タスクの平均スコアが26%以上向上したという。
あわせてコスト面の改善も打ち出されており、音声データの取り込みコストは時間あたり98%以上、音声と動画を組み合わせた入力のコストも93%以上削減されたとしている。長時間の音声・映像素材を扱うほどコストが膨らみやすいオムニモーダルAIにおいて、処理単価を大きく下げたことは実用面でのハードルを下げる動きといえる。米Googleの「Gemini 3.8 Flash」と並ぶ音声・動画処理性能を、より低コストで実現したモデルとして紹介する海外報道も出ている。
今回の発表は、DeepSeekによる「DeepSeek-V4.1-Flash」など、中国勢が低コスト・高性能を両立させたモデルを立て続けに投入している流れとも重なる。OpenAIやGoogle、Anthropicが最先端モデルの性能競争を続ける一方で、中国のAI開発企業は「オムニモーダル対応」と「処理コストの低減」という実用面の訴求を強めており、エージェント型AIの普及に向けた競争軸のひとつになりつつある。
