2時間の動画を「全部読まない」AI Qwen3.8-Omni-Flashのエージェント型知覚とは｜2026年9月20日版
長尺動画をAIに読ませるとき、これまでの定石は「全フレームを均等に詰め込む」だった。2時間の会議録画も、30分のチュートリアルも、モデルの入力に丸ごと流し込む。当然、トークンは膨らみ、料金も遅延も跳ね上がる。
アリババのQwenチームが9月18日に公開した Qwen3.8-Omni-Flash は、そこに別の答えを出した。動画を最初から全部読むのをやめ、質問に関係しそうな区間をモデル自身が選んで取りに行く。公式が示した数字では、動画理解ベンチマーク OmniVideoBench のスコアが 63.4 → 67.8 に上がった一方で、消費トークンは 45.7%減っている。
精度とコストは普通トレードオフになる。それが同時に改善したという点が、今回の発表でいちばん技術的に効く部分だ。
この記事の要点
- Qwen3.8-Omni-Flashは9月18日公開。テキスト・画像・音声・動画を入力できるネイティブ・オムニモーダルモデルで、出力はテキストのみ
- コンテキストは100万トークン級（QwenCloud表記で入力991K／出力131K）。動画は最長2時間・2GBまで
- 中核は「エージェント型知覚」。動画を全部読まず、必要な区間だけを選んで処理し、トークン45.7%減で精度向上
- 音声入力の1時間あたり単価は前世代比98%超の引き下げ。ただし重みは非公開でAPI経由のみ
「エージェント型知覚」は何をしているのか
従来のマルチモーダルモデルは、動画を一定間隔でサンプリングしたフレーム列＋音声トラックとして受け取り、それを全部コンテキストに載せていた。2時間の素材なら、質問と無関係な1時間50分ぶんも等しく課金対象になる。
Qwen3.8-Omni-Flashは、この前提を崩す。モデルが質問を読んでから、動画のどこを見るかを決める。
「読む」から「探す」への転換
イメージとしては、動画を最初から最後まで通し見する視聴者ではなく、目次と早送りを使って該当箇所を探す編集者に近い。ツール呼び出しと同じ発想が、知覚そのものに持ち込まれている。
結果として何が変わるか。
- 長尺になるほど削減率が効く。全体を読む方式では長さに比例してコストが増えるが、探索型では「探す手間」の増え方が緩い
- 無関係な区間のノイズが入らないぶん、精度が落ちにくい（OmniVideoBenchの 63.4 → 67.8 はこの効果とみられる）
- 一方で、「一括読み込み」勝負では依然としてGemini 3.8 Flashが優位という評価もある。ツールを使って探索させる構成にして初めて逆転する、という報告が出ている
つまりこのモデルは、渡し方を変えないと持ち味が出ない。APIを差し替えるだけで速く安くなる類の進化ではない、というのが実務上の肝になる。
スペックと料金の整理
| 項目 | 内容 |
|---|---|
| 公開日 | 2026年9月18日 |
| 入力 | テキスト／画像／音声（113言語）／動画（最長2時間・2GB） |
| 出力 | テキストのみ（音声合成は Qwen3.5-Omni 系へ誘導） |
| コンテキスト | 入力 約991K／出力 約131K トークン |
| 料金 | 入力 $0.15／100万トークン、出力 $0.47／100万トークン |
| 提供形態 | QwenCloud／Alibaba Cloud Model Studio 等のAPI。重み非公開 |
目を引くのは音声・動画の実効単価だ。1時間あたりで見ると、音声入力は前世代の Qwen3.5-Omni-Plus 比で98%超、音声＋映像で93%超の引き下げとされる。トークン単価そのものより、同じ素材を何トークンに変換するかが変わったことの寄与が大きい。
ベンチマークの総括値は、ソースによって「29評価で平均25%超」「30評価で平均26%超」と表記が揺れている。個別では WildClawBench-MM が+36.5ポイント、AgenticVBench が+22.3ポイントと報じられている。いずれも自社公表値であり、第三者検証はこれからだ。
見落とされやすい弱点
性能向上の話だけ拾うと判断を誤る。公表情報の中に、用途を選ぶ材料がいくつかある。
- 文字起こしは前世代より悪化との指摘がある。日本語を含む60言語の評価で単語誤り率9.3という数字が出ており、議事録の逐語起こしを主目的にするなら検証が要る
- リアルタイム音声応答は別枠。標準APIはテキスト出力のみで、カメラ・マイクをつないだ対話には Qwen3.8-Omni-Flash-Realtime と、公開された Qwen-Live Harness を使う構成になる
- 重みが公開されていない。オンプレミスや閉域での自前運用はできず、データを国外リージョンへ出す前提の検討が必要になる
ここがポイント: 安くなったのは「AIに動画を見せる」工程であって、「完成物を作る」工程ではない。動画制作では生成・編集・吹き替えなど外部サービスの費用が別途乗るため、モデル単価だけで総コストは決まらない。
日本の開発現場への影響
提供リージョンには東京が含まれると報じられており、レイテンシとデータ所在の両面で国内案件に載せやすい位置にある。ただし重みは非公開なので、選択肢は「APIを使うか使わないか」の二択になる。
具体的に効きそうな場面を絞ると、次のあたりだ。
すぐ検討に値する用途
- 長時間の録画から「特定の発言・操作・不具合」を探すタイプの検索。全文を読ませる必要がないケースほど差が出る
- 講習動画やサポート録画を手順書へ落とす作業。Apache 2.0で公開された Qwen-MM-Plugins には、動画を要約する omni-memory やチュートリアルをPDF化する omni-video2note といった実装例が含まれる
慎重に見るべき用途
- 逐語の議事録生成。話者分離が改善しても、書き起こし精度は前世代を下回るという指摘がある
- 既存のエージェント基盤への組み込み。多くのハーネスは音声をモデルへネイティブに渡す経路を持っておらず、配線側の対応が先に要る
継続ウォッチ
- 第三者ベンチマークの検証: 平均25%超という改善幅と、45.7%のトークン削減が外部評価でも再現するか
- 探索型 vs 一括投入の優劣: LVOmniBench のような長尺評価で、ツール併用を前提にした比較がどう積み上がるか
- 音声認識精度の扱い: 単語誤り率の悪化が設定依存なのか、モデル本体の性質なのか
- 重み公開の有無: Qwen系は過去にオープン化してきた経緯があるだけに、今後の方針転換があるかどうか
今日のまとめ
Qwen3.8-Omni-Flashが示したのは、マルチモーダルの競争軸が「どれだけ大きな入力を受け取れるか」から「入力のどこを読むかをモデルが決められるか」へ移りつつある、ということだ。100万トークンのコンテキストは前提であって、売りではない。
評価するときは、いつもの手順で横並び比較しても差が出にくい。素材を丸ごと投げる構成のままでは、このモデルの利点はほぼ消える。 検証するなら、探索的に区間を取りに行かせる呼び出し方を組んだうえで、トークン消費と正答率を同時に記録するところから始めるのが早い。