21 сентября, 04:10#ИИ и нейросети6 мин

Qwen3.8-Omni-Flash: слушает, смотрит, держит 1 млн токенов и дешевле на 98%

18 сентября 2026 года команда Qwen из Alibaba выпустила Qwen3.8-Omni-Flash: модель, которая в одной архитектуре принимает текст, изображения, аудио и видео и держит контекст в 1 млн токенов, то есть многочасовую запись целиком. По данным разработчика, средний результат в 29 тестах вырос больше чем на 25% против прошлого поколения, а цена часа аудио по API снизилась больше чем на 98%, часа аудио с видео больше чем на 93%. Модель умеет не читать запись подряд, а сама решать, куда смотреть и что слушать под вопрос, и тратит на это на 45–52% меньше токенов. Для бизнеса это значит, что расшифровка и разбор звонков, совещаний и видео перестают быть дорогой статьёй.

Коротко

Что вышло: Qwen3.8-Omni-Flash, единая модель для текста, картинок, аудио и видео с контекстом 1 млн токенов; доступна по API на платформе Alibaba Cloud, отдельная версия Realtime для живого диалога.
Цена: час аудио на входе дешевле на 98%, час аудио с видео на 93% по сравнению с Qwen3.5-Omni-Plus, по расчёту самого разработчика.
Качество: в среднем +25% по 29 тестам; по звуку выше Gemini 3.8 Flash, по аудио с видео близко к ней; распознавание речи на 74 языках, включая русский, синтез на 29.
Агентное понимание: модель ищет нужный фрагмент в долгой записи по запросу, а не обрабатывает всё подряд; на тесте OmniVideoBench это дало +4,4 балла при расходе токенов на 45,7% меньше.
Открытый код: выложены Qwen-Live Harness для живого взаимодействия и модуль Video2Note для превращения видео в конспект; сама модель доступна через API.
🔎 Для владельца бизнеса это разбор записей звонков, встреч и видеоинструкций по цене, при которой их можно прогонять все, а не выборочно.

Что произошло

18 сентября 2026 года команда Qwen опубликовала в блоге анонс Qwen3.8-Omni-Flash, следующего поколения своей «всеядной» модели. Слово «omni» здесь означает, что одна модель работает с текстом, изображениями, звуком и видео без переключения между отдельными системами.

Модель доступна на платформе Alibaba Cloud с контекстным окном в 1 млн токенов, при этом качество работы с текстом, по словам разработчика, сопоставимо с чисто текстовой моделью того же размера.

Главные цифры из анонса: средний результат по 29 тестам вырос больше чем на 25% против Qwen3.5-Omni-Plus; цена часа аудио на входе по API снизилась больше чем на 98%, часа аудио с видео больше чем на 93%. В тестах на аудиовизуальных агентов, код и длинные задачи модель прибавила 36,5 балла на WildClawBench-MM и 22,3 балла на AgenticVBench, набрав 69,6 на UniClawBench.

По оценке разработчика, по совместной обработке звука и видео модель близка к Gemini 3.8 Flash, а по чистому звуку превосходит её.

Пересказ на русском с деталями вышел на 3DNews 19 сентября: распознавание речи поддерживает 74 языка и диалекта, синтез 29 языков.

Что такое контекст в 1 млн токенов и зачем он звуку и видео

Контекстное окно это объём, который модель держит в памяти за один запрос. Токен это единица текста размером в часть слова; для звука и видео токены получаются из секунд записи и кадров. Миллион токенов означает, что в один запрос помещается многочасовая запись совещания или длинное видео целиком, без нарезки на куски и потери связи между ними.

Подробно про то, как окно ограничивает нейросети и почему «больше» не всегда «лучше», мы писали в статье про контекстное окно нейросети.

Проблема больших записей в цене: обработать 3 часа видео покадрово это сотни тысяч токенов на каждый вопрос. Qwen3.8-Omni-Flash решает её «агентным пониманием»: модель отталкивается от вопроса, сама решает, какие участки смотреть и слушать, и сужает поиск за несколько проходов, не читая всё подряд.

В анонсе это показано на тесте OmniVideoBench: результат вырос с 63,4 до 67,8 балла, а расход токенов на запрос упал со 145 736 до 79 117, на 45,7%.

Что ещё выложено и как это использовать

Вместе с моделью команда расширила набор модулей Qwen-MM-Plugins для работы с долгими аудио и видео и открыла код Qwen-Live Harness: среды для непрерывного взаимодействия голосом и видео в реальном времени, с делегированием задач, памятью и управлением контекстом.

Для живого диалога есть отдельная версия Qwen3.8-Omni-Flash-Realtime, которая отвечает по ходу приёма потока и может вызывать инструменты прямо в разговоре.

Отдельно открыт модуль Video2Note: он превращает обучающее видео в структурированный конспект с ключевыми шагами, отобранными кадрами и выгрузкой в PDF. Для компаний с библиотекой видеоинструкций это готовый способ сделать из них текстовую базу знаний.

В анонсе есть и показательный эксперимент: модели дали 12 часов, чтобы улучшить распознавание сычуаньского диалекта у более компактной модели. Она сама отобрала тестовую выборку, замерила исходный результат, за 4 серии собрала 3 413 обучающих примеров и снизила долю ошибок в символах с 25,79% до 15,30%. То есть модель может не только пользоваться другими моделями, но и дообучать их.

Цифры и даты

Что	Значение
Дата выхода	18 сентября 2026
Контекст	1 млн токенов
Входы	текст, изображения, аудио, видео
Цена часа аудио по API	ниже на 98% против Qwen3.5-Omni-Plus
Цена часа аудио с видео	ниже на 93%
Средний прирост по 29 тестам	больше 25%
Языки	распознавание 74, синтез 29
Экономия токенов при агентном просмотре видео	45,7% на OmniVideoBench

Что это значит для бизнеса

Первое: разбор звонков и встреч перестаёт быть выборочным. Когда час аудио дешевеет в 50 раз, можно прогонять через модель все звонки отдела продаж, а не 5% для контроля. Что даёт такой разбор и как его строить, мы описывали в статье про речевую аналитику; Qwen меняет в этой схеме только цену.

Второе: длинные записи можно не нарезать. Совещание на 3 часа или вебинар целиком помещаются в запрос, а ответ на вопрос «что решили по бюджету» находится по нужным минутам записи, без расхода токенов на остальное. Для расшифровки и протоколов это другой уровень удобства по сравнению с инструментами, которые разбирали в материале про расшифровку аудио в текст.

Третье: видеоинструкции превращаются в базу знаний. Video2Note делает из записи конспект с кадрами; для сервисных компаний, где обучение новичков живёт в видео, это способ получить текст для поиска и для ИИ-помощников.

Четвёртое: доступ и оплата. Модель живёт на платформе Alibaba Cloud, оплата по API требует зарубежного способа платежа; что из продуктов Qwen открывается из России и как это проверялось, разобрано в нашем обзоре Qwen. Цифры про цену и качество здесь пока по данным самого разработчика: независимых тестов на 21 сентября нет.

Что делать уже сейчас

Собрать 3 записи, на которых вы бы проверяли модель: типовой звонок продаж, совещание на час и видеоинструкцию; заранее записать, какие ответы вы ждёте.
Проверить доступ к платформе Alibaba Cloud и способ оплаты; если его нет, отложить внедрение и следить за появлением модели у посредников.
Посчитать текущую стоимость расшифровки и разбора записей за месяц: это база, с которой сравнивать новую цену.
Прогнать Video2Note на одной инструкции и оценить, годится ли конспект как основа для базы знаний.
Для звонков отдела продаж составить список из 5 вопросов, которые модель должна отвечать по каждой записи, и проверить точность на 10 звонках руками.

Чего ждать

Alibaba выпускает модели Qwen сериями, и после Flash обычно появляются более крупные и более дешёвые версии, а также доступ через сторонние платформы. Реалистичный сценарий на осень: конкуренты ответят снижением цен на аудио и видео по API, а главным вопросом станет не качество, а то, у кого запись можно обработать целиком и дёшево. Независимые замеры цены и качества ожидаемы в ближайшие недели.

Частые вопросы

Это открытая модель, которую можно запустить у себя? Нет. Сама Qwen3.8-Omni-Flash доступна по API на платформе Alibaba Cloud; открыт код среды Qwen-Live Harness и модулей, включая Video2Note.

Понимает ли модель русскую речь? Русский есть в списке из 74 языков распознавания по данным разработчика. Качество на реальных звонках стоит проверить на своих записях.

Чем это отличается от расшифровки речи в текст? Расшифровка переводит звук в текст, а здесь модель отвечает на вопросы по записи, находит нужные фрагменты и работает с видео и звуком вместе, не превращая всё в текст заранее.

Промпт: разобрать запись звонка или встречи по 5 вопросам и собрать протокол

Загрузите запись или её расшифровку в модель с работой со звуком (Qwen3.8-Omni-Flash или другую) и вставьте промпт, заполнив скобки. На выходе получите ответы на ваши вопросы с отметками времени, протокол решений и список того, что модель не смогла подтвердить.

Промпт

Ты — аналитик записей звонков и встреч в небольшой компании. Ты отвечаешь на вопросы по записи с указанием места, где это прозвучало, отделяешь сказанное от своих предположений и собираешь протокол, пригодный для отправки участникам.

ЗАДАЧА
Разобрать запись по моим вопросам, собрать протокол решений и назвать всё, что в записи не подтверждается.

ЧТО Я ДАЮ
— запись или её расшифровка: [файл аудио, видео или текст]
— тип записи: [звонок продаж, совещание, вебинар, инструкция]
— участники и роли: [имена и роли или «неизвестно»]
— мои 5 вопросов к записи: [список вопросов]
— что считать решением: [например, названы ответственный и срок]
— ограничения: [что не включать в протокол, кому он уйдёт]

С ЧЕГО НАЧИНАЕШЬ
Если запись длиннее часа и вопросов нет, спроси, что искать, и не пересказывай всё подряд.

ПРОТОКОЛ
1. Определи участников по голосам или репликам и сопоставь с моими ролями; если уверенности нет, отметь это.
2. Ответь на каждый из 5 вопросов: ответ, отметка времени, дословная фраза из записи, на которую опираешься.
3. Выдели решения по моему определению: что решили, кто ответственный, срок; отдельно список открытых вопросов без решения.
4. Отметь обещания и цифры, прозвучавшие в записи: суммы, даты, объёмы, и укажи, кто их назвал.
5. Проверь противоречия: если участники называли разные цифры или сроки, покажи оба варианта с отметками времени.
6. Составь список того, что в записи не подтверждается или неразборчиво, чтобы я проверил руками.
7. Собери протокол: заголовок, участники, решения таблицей, открытые вопросы, следующие шаги с датами.

ФОРМАТ ОТВЕТА
Сначала ответы на 5 вопросов с отметками времени, затем таблица решений (что, кто, срок, отметка времени), затем открытые вопросы и список непроверенного. Объём протокола до 400 слов, отметки времени в формате мм:сс.

ПРАВИЛА
— не дополняешь сказанное своими выводами без пометки «предположение»;
— не выдумываешь имена и роли: если участник не назван, пишешь «участник 2»;
— цифры и даты приводишь дословно, как прозвучали;
— если фрагмент неразборчив, так и пишешь, а не восстанавливаешь смысл.

ПРИМЕР ВЫХОДА (сокращённо)
Вопрос 1 «Согласовали ли бюджет на рекламу?»: да, 04:12, «оставляем 180 тысяч на октябрь, дальше смотрим по лидам», сказал участник в роли владельца. Решения: запуск кампании в Директе, ответственный Мария, срок 28 сентября (11:40); перенос обновления сайта на ноябрь, ответственный не назван (19:05, открытый вопрос). Противоречие: в 04:12 названо 180 тысяч, в 22:30 «150, как договаривались»; оба фрагмента отмечены. Непроверенное: 27:10–27:40 неразборчиво, упоминается поставщик.

Способ зарабатывать на ИИ

Зарабатывайте на создании сайтов и ИИ-агентов