一個模型聽懂一切：Qwen3.8-Omni-Flash 砍掉 98% 音訊成本，用 Agent 方式讀兩小時影片

2026 年 9 月 18 日，阿里巴巴 Qwen 團隊發布 Qwen3.8-Omni-Flash，這是 Qwen 全模態（omnimodal）家族的最新成員，也可能是迄今最積極的一次嘗試——要讓音訊與影片成為 Agent 經濟的一等公民。它的主張說來簡單、做來極難：一個原生端到端模型，能在單一請求中同時接受文字、影像、音訊與影片輸入，具備 100 萬 token 上下文視窗，而且每小時「聆聽」成本低到讓獨立的語音轉文字管線失去經濟意義。

時機點很重要。過去兩年，「多模態」多半意味著「一個還能看圖的語言模型」。而真正主宰會議、通話、媒體與實體世界的音訊和影片，始終昂貴、有損耗、在架構上矮人一截：轉錄服務把文字餵給聊天機器人，過程中剝掉了語氣、重疊的說話者，以及畫面上的一切。Qwen3.8-Omni-Flash 傳達的最新訊號是：這個時代正在結束，戰場正從「感知」轉向 agentic delivery——模型不再只是描述兩小時的錄音，而是決定要對其中哪些部分採取行動。

這次發布了什麼

來自 Qwen 官方發布文章的重點數字：

• 原生全模態架構 —— 文字、影像、音訊、影片輸入，文字輸出，全部在一個端到端模型內完成，而非多個專家元件的串接。最大輸出 131,072 token。
• 100 萬 token 上下文 —— 每個檔案約可容納兩小時的原始音訊或影片，在阿里雲 Model Studio 上單一請求最多 64 個檔案。
• 74 種語言的語音辨識，從阿拉伯語、粵語到維吾爾語、越南語；29 種語言的語音生成。
• 橫跨音訊、視聽與 Agent 共 29 項基準測試，平均分數比上一代 Qwen3.5-Omni-Plus 高出 25% 以上。
• 每小時音訊輸入的 API 成本降低超過 98%，視聽混合輸入降低超過 93%——依 Qwen 自家的估算方法與 Qwen3.5-Omni-Plus 比較。

最後一項主張值得細讀，而 Qwen 願意公布估算方法也值得肯定。98% 這個數字是與自家上一代全模態模型的可比比較，以兩分鐘素材輸入成本的 30 倍估算——並不是與 OpenAI 或 Google 比較。但從阿里雲公布的定價反推，量級就很清楚：Model Studio 對音訊按 每秒 7 個 token 計費，國際版定價為 每百萬輸入 token 0.15 美元。一小時音訊等於 25,200 token，換算下來每小時音訊輸入成本約 0.0038 美元——遠低於一美分（輸出費用另計）。720p、每秒 1 幀的視聽輸入在同一基礎上降低超過 93%。

Agentic 影片模式

這次發布在技術上最有意思的不是基準分數，而是一種搜尋策略。以傳統方式分析長錄影時，即使答案只藏在其中三分鐘，整個檔案都會被處理。Qwen3.8-Omni-Flash 的 agentic 模式把這件事倒了過來：模型從問題出發，自行決定要看、要聽哪些片段，並以多趟由粗到細的方式蒐集證據，因此大多數影格根本不會被處理。

Qwen 公布的數字相當驚人。在 OmniVideoBench 上，靜態模式準確率 63.4，agent 模式上升到 67.8，同時每次查詢的 token 數從 145,736 降到 79,117——減少約 45.7%。更少的 token，更好的答案。但要注意：agent 模式是在 Qwen 自家的 Qwen Code 編碼代理框架內執行，而 Gemini 3.8 Flash 在同一框架下的 agent 模式得分 70.1，高於 Qwen 的 67.8；Qwen 則在長影片的 LVOmniBench 以 73.6 對 70.7 領先。不過這個模式可以推廣到任何長媒體產品：讓模型先索引、再選擇性閱讀，帳單下降而準確率維持。

基準成績的誠實解讀

Qwen 的比較表混雜了兩個對手——與自家上一代相比差距戲劇性，與 Gemini 3.8 Flash 相比則互有勝負：

基準測試	Qwen3.8-Omni-Flash	Qwen3.5-Omni-Plus	Gemini 3.8 Flash
WildClawBench-MM（多模態工具使用）	71.0	34.5	58.9
AgenticVBench（多模態工具使用）	36.8	14.5	45.0
UniClawBench（多模態工具使用）	69.6	67.1	69.0
OmniVideoBench（視聽推理）	63.4	53.8	65.2
LongAudioSpan（長音訊準確率）	82.7	74.4	79.3
AliMeeting（說話者錯誤率 / 字錯誤率，越低越好）	3.4 / 17.2	88.1 / 89.6	72.6 / 53.1
FLEURS-ASR（60 語言字錯誤率，越低越好）	9.3	7.2	7.9
VoiceBench（音訊互動）	91.6	92.9	92.3

最突出的一行是多說話者會議。Qwen 表示上一代模型在 AliMeeting 轉錄測試上幾乎完全失敗（說話者錯誤率 88.1），新模型降到 3.4、字錯誤率 17.2——這正是會議紀錄使用場景背後的關鍵能力。同樣值得注意的是，新模型輸給自家前代的兩個項目（多語言轉錄 9.3 對 7.2、VoiceBench 91.6 對 92.9）是白紙黑字印出來，而不是藏起來。另外，Agent 基準中有兩項在 Claude Code 框架內執行、一項在 OpenClaw 內執行，所以那些分數衡量的是「模型加框架」——這個區別足以讓結果大幅變動。

Qwen 自己的總結算是公允：視聽工作上接近 Gemini 3.8 Flash，音訊整體則領先。在 AliMeeting 上則完全不接近——那是世代級的差距。

解釋設計理念的那個 Demo

發布文章裡藏著一段比任何圖表都更有解釋力的軼事：Qwen 給自己的模型一項任務——在 12 小時內改善 Qwen2.5-Omni-3B 的四川話語音辨識，並交付一個可用的模型。全模態模型不是實驗的對象，而是研究員本身。它閱讀程式碼庫、為一種漢語方言規劃資料策略、執行訓練、完成交付——音訊理解不再是自主機器學習工程的產出，而是投入。

「Omni Senses. Agentic Delivery.」這句標語正是這次發布的真正命題：音訊與影片正從感知輸入，演化為 Agent 用來理解環境、執行任務的核心媒介。為了支撐這個主張，Qwen 同時擴充了 Qwen-MM-Plugins——一套開源技能與工具伺服器，讓 Claude Code、Codex、Qwen Code 等編碼代理能讀取影像、影片與音訊——並開源了 Qwen-Live Harness，一個基於 Flash-Realtime API 的即時全模態執行環境（截至撰稿時，其 GitHub 頁面仍回傳 404）。

但沒有開源權重

對一個以開源權重建立聲譽的實驗室來說，這次發布沒說出口的部分才是重點：截至 9 月 18 日，沒有開源權重的公告，Hugging Face 上也沒有模型卡。在 Qwen 另行說明之前，Qwen3.8-Omni-Flash 是純 API 模型，透過阿里雲 Model Studio 與千問平台提供。它也與本月稍早發布的文字與視覺旗艦 Qwen3.8-Max 不同——Omni 才是那個「會聽」的模型。

這個定位說明了競爭前沿現在的位置。多模態中廉價、商品化的部分——先轉錄再對話——正被壓低到每小時幾分錢的量級。而有差異化的部分是 agentic：選擇性搜尋長媒體、在串流中呼叫工具、在工作時把兩小時錄影握在上下文裡的模型。Qwen3.8-Omni-Flash 是對這個前沿的一次有力宣示，而它的價格讓人很難不去為它打造產品。

後續觀察

對於打造會議紀錄、通話審查、字幕、配音或長影片搜尋產品的團隊而言，這次發布改變的決策是：還要不要保留獨立的語音轉文字步驟。合理的測試方式很樸素：把同樣十份錄音分別跑過現有管線和這個模型，以每小時成本與錯誤數評分。但更大的競賽也值得關注：如果 Gemini 3.8 Flash 在 OmniVideoBench 的 agent 模式領先能在獨立評測中成立，Google 仍保有視聽推理的王冠；而如果 Qwen 的會議轉錄差距與降價迫使對手回應，那麼「聆聽的邊際成本趨近於零」的 omni-agent 市場，將對所有人敞開。