一句话看懂：阿里 Qwen 团队发布原生全模态模型 Qwen3.8-Omni-Flash，支持文本、图像、音频、视频四类输入和 100 万 token 上下文，官方称音频输入成本下降超 98%，并在多项音频理解测试上超过 Gemini3.8Flash。
事件核心：发生了什么
2026 年 9 月，阿里 Qwen 团队推出 Qwen3.8-Omni-Flash。它不再把语音识别和图像识别简单拼接，而是在模型层面原生处理不同模态信息，官方称在 29 项基准测试中平均比上一代 Qwen3.5-Omni-Plus 提升超过 25%。模型最大输入接近 99.2 万 token（思考模式约 98.4 万），最大输出 13.1 万 token，支持 113 种语言和方言的音频输入，以及立体声和 4 声道空间音频分析。
音频能力是这次的主战场。在 WildClawBench-MM 多模态工具调用测试中，Qwen 得 71.0 分，Gemini3.8Flash 为 58.9；SpotSoundBench 上为 67.2 对 39.7；MMAU 为 81.8 对 76.9。多人会议识别提升更明显：AliMeeting 测试中说话人错误率（DER）从上代 88.11 降至 3.35，带说话人归属的词错误率（cpWER）从 89.61 降至 17.18。但在 AgenticVBench 上，Gemini3.8Flash 以 45.0 领先 Qwen 的 36.8，部分视频理解测试 Gemini 仍有优势。
价格方面，阿里云国际区定价为每百万输入 token 0.15 美元、缓存输入 0.016 美元、输出 0.47 美元。官方称音频输入每小时成本下降超 98%，音视频组合输入下降超 93%。模型未直接开源，但开放了配套多模态插件 Qwen-MM-Plugins，并计划推出 Qwen-Live-Harness。
为什么重要
这次发布的重点不是“又多了一个模态”，而是成本曲线和 Agent 能力的结合。过去处理长会议、播客、直播回放，开发者往往要切片、抽帧、串联多个模型，链路长、成本高、误差累积。100 万 token 上下文加上大幅降价的音频输入，意味着可以把整段长音视频直接交给一个模型处理，再让它调用工具完成剪辑、摘要、字幕等任务。目前公开信息显示，Qwen 与 Gemini 在多模态上的竞争正从“谁更聪明”转向“谁更便宜、更能干活”。
对用户/开发者/创作者的影响
对开发者来说，阿里云百炼已在北京、新加坡、香港、东京、法兰克福、弗吉尼亚等区域上线该模型，支持函数调用、联网搜索和上下文缓存，适合做会议纪要、视频内容定位、自动字幕等 AI 应用。对内容创作者和企业来说，长音频和视频素材的自动分析成本若真如官方所述下降九成以上，播客转写、直播复盘、素材归档这类高频需求会更容易规模化。需要注意的是，模型本身闭源，可复用的是插件和开发工具，实际成本仍取决于调用量和区域定价。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 98% 的降价在实际调用中能否兑现，尤其是长音频和音视频混合场景；二是 Gemini 是否会在音频工具调用和会议识别上快速跟进；三是未开源模型加开放插件的路线，能否吸引足够多的开发者留在 Qwen 生态里。
来源：AIbase
