Qwen3.8-Omni-Flash 是通义千问团队推出的原生全模态模型，核心定位是强化音视频为核心的 Agent 智能体生产力能力，目标让全模态模型从 “看懂音视频” 升级为自主规划任务、调用工具并交付完整成果，现已上线千问平台，支持文本、图像、音频、视频输入，具备 1M 超长上下文窗口。
相比上一代 Qwen3.5-Omni-Plus，该模型在 29 项评测平均提升超 25%；成本大幅下降，音频输入每小时 API 价格降幅超 98%，音视频输入降幅超 93%。Agent 能力提升尤为突出：WildClawBench-MM 提升 36.5 分，AgenticVBench 提升 22.3 分，UniClawBench 取得 69.6 高分。音频能力整体超越 Gemini 3.8 Flash，音视频能力接近 Gemini 3.8 Flash。
模型最大创新是Agentic 长音视频理解。传统静态理解需要处理全部视频帧，而 Agent 模式从用户问题出发，由粗到细主动取证，只读取相关片段。在 OmniVideoBench 测试中，准确率从 63.4 提升至 67.8，Token 消耗下降 45.7%，大幅降低长视频推理成本。同时支持可控音视频 Caption，用户可自定义描述范围、粒度、输出格式，按需输出结构化内容，适配素材检索、内容创作、资产管理等不同业务。
在业务落地场景上，模型覆盖多条音视频生产端到端工作流。Music2MV 能够解析歌曲节奏情绪，生成带时间戳歌词与镜头方案，自动制作 MV；短剧翻译 Agent 可自动识别多角色台词、翻译、角色配音、音轨混合，实现短剧出海自动化；长电影解说可读取完整影片，提炼剧情、撰写解说文案、剪辑混音并质检成片。会议场景中，多说话人音画协同识别能力显著优化，AliMeeting 指标 DER/cpWER 从 88.11/89.61 降至 3.35/17.18，可完成参会人识别、纪要、待办提取，联动工具执行后续任务。
文章还展示了Agent 参与模型迭代的前沿实验：由 Qwen3.8-Omni-Flash 自主完成 Qwen2.5-Omni-3B 四川话识别优化，12 小时内构建训练数据、多轮实验调优，最终字符错误率由 25.79% 降至 15.30%，相对下降 40.7%，验证大模型驱动小模型业务定制的新范式。配套开源工具 Qwen-MM-Plugins 提供 Video2Note、Omni Skill Creator 等插件，可将教学视频转为 PDF 笔记、把操作演示提炼成可复用 Agent 技能；Qwen-Live Harness 面向实时交互场景。
同步推出 Qwen3.8-Omni-Flash-Realtime，支持音视频流实时感知响应，是首个具备听声辨位空间音频感知的全模态模型，可识别声源方位，结合视觉完成空间导航；同时支持实时口语陪练、动态注入业务 Skill，适用于实时客服等场景。API 兼容 OpenAI 协议，支持reasoning_effort三档推理深度调节，支持 74 种语言、39 种中文方言语音识别。
10 个关键 Q&A
- Q1：Qwen3.8-Omni-Flash 核心目标是什么？
A：提升以音视频为核心的 Agent 生产力，从单纯理解多模态内容，走向任务规划、工具调用、交付完整成果。 - Q2：Agentic 长视频理解相比静态理解优势？
A：主动定位关键片段，不用全量处理视频；准确率提升，Token 消耗降低约 45.7%，节省算力。 - Q3：可控音视频 Caption 是什么？
A：用户自定义视频描述范围、细节粒度、输出格式，适配检索、创作、资产管理等不同需求。 - Q4：会议场景的核心改进？
A：音画联合识别多说话人，大幅降低识别错误率，自动生成纪要、待办，联动工具执行任务。 - Q5：Music2MV 功能可以做什么？
A：解析歌曲节奏情绪，生成镜头、场景方案，输出带时间戳歌词，完成 MV 创意与成片质检。 - Q6：短剧翻译 Agent 实现了哪些自动化环节？
A：角色台词识别、口语翻译、角色配音克隆、音轨重混、成片质检，打通完整译制链路。 - Q7：Agent 优化小模型实验结果如何？
A：12 小时内优化 Qwen2.5-Omni-3B 四川话识别，字符错误率相对下降约 40.7%。 - Q8：Qwen-MM-Plugins 包含哪些核心插件？
A：Video2Note（视频转 PDF 笔记）、Omni Skill Creator（视频提炼 Agent 技能）、mdomni-memory 等。 - Q9：Qwen3.8-Omni-Flash-Realtime 独特能力？
A：流式实时音视频交互，首个支持听声辨位的全模态模型，可感知声源方向距离。 - Q10：API 有什么特点？
A：兼容 OpenAI 协议，支持 reasoning_effort三档推理深度调节，音视频调用成本显著降低。
