Alibabaが、AIエージェント向けに設計したマルチモーダルモデル「Qwen3.8-Omni-Flash」を公開した。音声と動画を同時に処理でき、ツールを自律的に使ってvlogの編集や動画の翻訳、映画の要約といったタスクをこなす。最大の特徴は、Googleの「Gemini Flash 3.8」に匹敵するマルチモーダルベンチマーク性能を、大幅に低い価格で実現している点だ。

価格でGemini Flashを大きく下回る

Qwen3.8-Omni-Flashの料金は、入力が100万トークンあたり0.15ドル、出力が0.47ドル、音声処理は1時間未満あたり0.01ドルに設定されている。これに対しGemini Flash 3.8は導入特価でも入力0.75ドル、出力3.75ドルで、2027年1月1日にはさらに倍増する予定だ。単純比較で、Qwen3.8-Omni-Flashの入力コストはGemini Flashの5分の1、出力コストは8分の1にとどまる。

技術仕様とエージェント向け設計

コンテキストウィンドウは100万トークンに対応し、長尺の動画や音声データも扱える。提供プラットフォームはQwen Studio、Qwen Cloud、APIに加え、オープンソースプラグインとしても利用可能だ。ツール使用(function calling)を前提に設計されており、単なるマルチモーダル理解にとどまらず、動画編集や翻訳といった具体的なタスクを自律的に実行する用途を想定している。

開発者・企業への影響

音声・動画を扱うマルチモーダルAIは処理コストの高さが導入の障壁になりやすいが、Qwen3.8-Omni-Flashの価格設定はこの障壁を大きく下げる。Alibabaはこれまでも「Qwen3.8-Flash-Next」などコスト効率を前面に出したモデルを相次いで投入しており、Omni-Flashはその路線をマルチモーダル領域に広げた形だ。Gemini Flashと同等の性能を求めつつコストを抑えたいエージェント開発者にとって、比較検討の対象になりそうだ。