概要
Qwenチームは、100万トークンのコンテキスト窓を持ち、音声・動画を通じた複雑なタスクの計画・実行が可能なネイティブ・オムニモーダルモデル「Qwen3.8-Omni-Flash」を発表しました。
詳細内容
### モデルの概要
Qwen3.8-Omni-Flashは、テキスト、画像、音声、ビデオをネイティブに統合した次世代モデルです。単なるコンテンツ理解を超え、現実世界の生産性シナリオにおける「エージェント能力」の強化に焦点を当てています。100万トークンのコンテキストウィンドウを維持しながら、従来のモデル（Qwen3.5-Omni-Plus）と比較して推論コストを音声で98%、動画で93%削減することに成功しました。
### 主な特徴とユースケース
- **エージェント型ビデオ理解**: 数時間に及ぶ動画から必要な情報を特定し、推論、要約、さらにはプログラミングやタスク実行までをシームレスに繋ぎます。
- **高度なコンテンツ制作**: 音楽からのMV制作、映画解説動画の自動生成、ショートドラマの多言語翻訳（話者の声を維持した吹き替え含む）など、プロフェッショナルな制作フローを支援します。
- **リアルタイム対話**: 「Qwen3.8-Omni-Flash-Realtime」により、低遅延な音声・視覚対話を実現。空間音響認識により、音の方向を特定してナビゲーションを行うことも可能です。
### 開発者向けツール
- **Qwen-MM-Plugins**: 動画メモリ構築やPDFノート生成など、マルチモーダル機能を既存のエージェントに追加するためのプラグインスイート。
- **Qwen-Live Harness**: リアルタイム対話アプリケーションを構築するためのオープンソース・ランタイム。