Qwen3.8-Omni-Flash、Gemini並みの性能で料金は約5分の1

Alibabaの AIチーム「Qwen」が、音声と映像を一緒に読み取れるモデル「Qwen3.8-Omni-Flash」を出しました。
Qwenとしては初めての、AIエージェント（自分で道具を選んで作業を進めるAI）向けのマルチモーダルモデル（文字・音声・映像をまとめて扱えるモデル）です（The Decoder）。

動画を丸ごと見て作業する

このモデルは動画の音と映像を同時に処理し、内容から判断して自分で道具を使います。
Qwenが例に挙げている作業は、Vlogの編集、短い動画の翻訳、映画の要約です。
一度に扱える量（コンテキスト）は100万トークンあります。
音声と映像を組み合わせた課題では、GoogleのGemini 3.8 Flashに近い成績だとQwenは説明しています。

オープンソースの追加機能「Qwen-MM-Plugins」も用意されました。
動画編集、話者の聞き分け、動画からPDFのノートを作る機能、使い回せる作業手順を、Claude CodeやGemini CLI、Qwen Codeといったエージェントに足せます。
カメラとマイクを使ってその場でやりとりする「Qwen-Live Harness」もあります。

料金の差

APIの料金は、入力が100万トークンあたり0.15ドル（約24円）、出力が0.47ドル（約75円）です。
Qwenの試算では、音声は1時間あたり0.01ドル（約1.6円）未満、音声つきの720p動画を1秒1コマで読むと1時間あたり約0.20ドル（約32円）です。
これは返答側の費用を含まない数字です。

比べる相手のGemini 3.8 Flashは、導入価格で入力0.75ドル（約120円）、出力3.75ドル（約600円）です。
入力は5分の1、出力は約8分の1の値段になります。
Geminiは2027年1月1日に値上げして倍になる予定です。

使えるのはQwen Studio、Qwen Cloud、APIの3つです。
日本での提供条件や、日本語の動画をどこまで正確に読めるかは原文に書かれていません。
性能の比較もQwen自身の発表です。

※円換算は1ドル＝160円（2026年8月時点の目安）です。