千问上线Qwen3.8-Omni-Flash，音视频Agent能力大幅升级

阿里千问正式发布新一代原生全模态模型Qwen3.8-Omni-Flash，已上线千问AI平台开放调用。模型原生支持文本、图像、音频、视频四类输入，搭载100万token超长上下文窗口。相比上一代Qwen3.5-Omni-Plus，在近30项评测平均得分提升超26%，音视频输入API成本最高降幅98%。配套推出实时版本Qwen3.8-Omni-Flash-Realtime，新增空间音频“听声辨位”能力，同步开源Qwen-MM-Plugins与Qwen-Live工具链，面向会议分析、视频创作、多模态智能体开发场景，为企业多模态应用落地提供低成本高性能方案。

一、模型核心规格：原生全模态，百万长上下文

Qwen3.8-Omni-Flash基于Qwen3.8-Flash-Next新一代架构打造，属于原生一体化全模态模型，并非文本模型外挂视觉/音频模块。输入支持文本、图片、音频、视频，上下文窗口达到1Mtoken，能够一次性处理数小时长视频、海量图文文档、完整代码库，长内容检索与信息留存能力显著增强。

模型同时推出实时分支Qwen3.8-Omni-Flash-Realtime，主打低延迟音视频对话，首创空间音频解析，支持2/4通道音频“听声辨位”，识别声源方位，适合实时会议、远程现场交互场景。API层面兼容DashScope与OpenAI协议，开发者迁移成本低，支持函数调用、联网搜索、结构化输出、思考模式，可快速嵌入业务系统。

本次发布同步开源配套Qwen-MM-Plugins、Qwen-LiveHarness工具链，降低多模态Agent开发门槛，方便开发者搭建端到端音视频自动化工作流。

二、能力亮点：从内容理解升级为多模态智能体交付

本次模型最大变化，是将Omni系列从看懂音视频”升级到**自主规划、调用工具、完成端到端交付的Agent能力。

1、长音视频深度理解：可解析数小时视频，自动定位画面、音频关键片段，完成会议纪要提取、待办与风险梳理，后续自动执行发邮件、检索资料、生成报告等链式任务。

2、音视频创作智能体：支持MV脚本、短剧翻译、长影片解说。可识别歌曲节奏情绪生成带时间戳歌词；短剧场景实现角色识别、口语翻译、配音克隆、成片质检一体化。

3、保留并强化传统强项：延续Qwen系列编程、GUI图形界面操作、长文档推理能力，图文、代码、通用推理评测保持高性能，多模态任务不会挤压文本推理效果。

4、成本大幅下降：音视频输入API单价最高下降98%，大幅降低企业批量处理长视频、音频内容的计费成本，适合大规模内容审核、媒资归档场景。

三、行业落地场景与开发价值

Qwen3.8-Omni-Flash面向企业生产力场景，典型落地场景如下：

1、企业会议：线上会议实时转写、要点提取、风险识别、会后任务自动分发。

2、媒体与短视频：批量媒资解析、视频摘要、字幕生成、影视解说脚本、短剧本地化翻译。

3、智能体开发：多模态Agent，读取截图、录屏、音频、文档，自主操作GUI、调用API完成业务流程。

4、内容安全：长视频、直播回放批量内容审计，识别画面、音频中的违规信息。

5、知识库：百万token长文档+音视频混合知识库，支持跨图文音视频联合检索问答。

对开发者而言，统一全模态模型可以简化架构，无需对接多个独立文、图、音、视频模型，一套API即可处理全部模态输入，降低系统复杂度。

四、企业接入与选型建议

1、场景选型：纯文本、代码任务优先选用Qwen3.8-Flash；音视频、图文混合、多模态Agent场景选择Qwen3.8-Omni-Flash；实时音视频对话选用Realtime实时版本。

2、成本评估：长音频、长视频大批量处理，该模型的降价带来显著成本优势，适合媒资、直播回放、企业会议常态化处理。

3、架构注意：1M上下文虽然强大，但长输入会增加token消耗，建议结合上下文缓存机制，减少重复内容计算，降低延迟与费用。

4、安全管控：企业接入多模态API时，增加输入内容审核，防范用户上传恶意视频、图片、音频，做好内容鉴权与日志留存。

五、总结

千问Qwen3.8-Omni-Flash的发布，标志全模态大模型从“感知理解”走向**任务化智能体交付**。百万上下文、四模态原生输入、音视频API成本大幅下调，叠加实时分支与开源工具链，大幅降低企业搭建音视频智能应用的门槛。

对于媒体、政企、开发者而言，这套模型适合长视频分析、会议智能总结、多模态自动化Agent等业务。在多模态应用落地时，企业需要结合内容安全、token成本、缓存策略做整体架构设计，充分发挥全模态模型的生产力价值。