Qwen3.8-Omni-Flash 和 Gemini 3.8 Flash：音频便宜了四十多倍，可你的账单大头不一定在音频

2.6K 0

阿里的全模态线，一年半里换了四代，每一代丢掉的东西和加上的东西一样多。

2025 年 3 月的 Qwen2.5-Omni 是个 7B 开源小模型，能听能看还能开口说话，大家拿它当玩具。同年 9 月的 Qwen3-Omni 换成 30B-A3B 的 MoE，照样开源，但放到百炼 API 上，单段音频只收 20 分钟。今年 3 月 30 日出了 Qwen3.5-Omni-Plus，开始支持 3 小时音频、55 种音色的语音输出，价格也跟着上去了：新加坡区音频输入每百万 token 11 美元，带语音的输出 44 美元。

然后就是 9 月 18 日的 Qwen3.8-Omni-Flash。音频输入价从 11 美元掉到 0.016 美元。

语音输出没了。

百炼文档里这一代的输出栏只写着“文本”。上一代卖得最贵的那项能力，这一代直接不提供。所以拿它和 Gemini 3.8 Flash 比，前提得摆正：两个都是“吃进音视频、吐出文字”的模型，比的是听懂和看懂，不是对话。

Gemini 那边的时间线短得多。3.7 Flash 和 9 月 2 日正式发布的 3.8 Flash 价格一模一样，都是输入 0.75 美元、输出 3.75 美元每百万 token，上下文都是 1,048,576，输出上限都是 65,536。规格表没动，动的是分数：Artificial Analysis 智能指数从 56 到 59，Agentic 指数从 45.1 到 50.0。

一小时录音，两边各收多少

Gemini 的音频按每秒 32 个 token 计。一小时是 115,200 个 token，乘 0.75 美元，大约 8.6 美分。这个数谷歌自己也在宣传里用过：一小时会议录音，转写加总结，输入不到 9 美分。

Qwen3.8-Omni-Flash 的音频 token 速率阿里没在公告里写。就算按和 Gemini 一样的每秒 32 个算，一小时也只要 0.18 美分左右。差了四十多倍。

这还是新加坡区的价。

北京区更便宜，音频 0.014 美元，文本和图像视频输入 0.113 美元，输出 0.382 美元。香港、法兰克福、弗吉尼亚、东京这几个区也按北京价走，新加坡区反而最贵。海外团队接入时这一点很容易看漏。

88.11 这个数字是上一代的成绩

阿里的发布材料里有一行容易被跳过的对比：AliMeeting 会议数据集上，说话人分离的 DER 从 88.11 降到 3.35，cpWER 从 89.61 降到 17.18。

DER 88% 是什么概念？一段多人开会的录音，将近九成的时间都没能把话对上正确的人。换句话说，Qwen3.5-Omni-Plus 拿来做“谁说了什么”的会议纪要，基本是废的。这一点当初宣传时没人提，要翻到新一代的对比表才看得到。

新一代降到 3.35，终于能用了。

但 cpWER 还有 17.18，大约每六个词错一个，中文多人抢话的场景，纪要仍然得人工过一遍。

方言上它有一张实打实的牌：团队让模型自己跑了 12 小时研发流程，造了 3,413 条数据，把一个 3B 小模型的四川话字错率从 25.79% 压到 15.30%。这是个演示，不是 3.8-Omni-Flash 本身的指标，但能看出阿里在方言识别上的投入方向。音频输入官方写的是支持 113 种语言和方言。

Qwen 这边的短板

单次输入上限比 Gemini 小。Qwen3.8-Omni-Flash 音频最长 3 小时、视频最长 2 小时。Gemini 3.8 Flash 音频一次能塞 9.5 小时；视频低清模式能到 3 小时，高清 1 小时。整天的庭审录音、培训录音，在 Gemini 那边一次就能喂完，在 Qwen 这边要切段，切段就意味着跨段指代会断。

“接近 Gemini 3.8 Flash”这个说法也要打折听。阿里给的是“音视频能力接近、音频整体超过”，引用的主要是自家或自选的榜单，比如 WildClawBench-MM 涨 36.5 分、AgenticVBench 涨 22.3 分，这些都是和自家上一代比。第三方的同题对测，截至发稿我没找到。

还有一点：这次开源的是 Qwen-Live Harness 这套工具，模型权重本身有没有开放，公告里没说。前两代都开源，这一代如果只走 API，对想私有化部署的团队是个实质变化。

Gemini 这边的短板

最大的一个写在价目表的小字里：0.75 美元是推广价，只到 2026 年 12 月 31 日。1 月 1 日起翻倍，输入 1.5 美元，输出 7.5 美元。现在按推广价做的预算，三个半月后全部作废。

第二个是速度。3.8 Flash 的首 token 延迟实测 13.21 秒，比 3.7 Flash 的 12.01 秒还慢了大约 10%。分数涨了，响应反而拖了。另有测评发现它在部分任务上的输出 token 比 3.7 多用约 1.34 倍，加上默认开着中等档位的思考，实际账单常常是按可见输出估算的两倍。

第三个很多人会搞混：3.8 Flash 不支持 Live API，做不了实时双向语音。谷歌这周另发了 Gemini 3.8 Live，每小时约 0.84 美元，那是另一个产品。

项目	Qwen3.8-Omni-Flash	Gemini 3.8 Flash
发布	2026-09-18	2026-09-02
音频输入（每百万 token）	0.016 美元（新加坡）/ 0.014 美元（北京等）	0.75 美元，2027 年起 1.5 美元
文本/图像/视频输入	0.15 美元 / 0.113 美元	0.75 美元
输出	0.47 美元 / 0.382 美元	3.75 美元，2027 年起 7.5 美元
单次音频上限	3 小时	9.5 小时
单次视频上限	2 小时	高清 1 小时 / 低清 3 小时
上下文	1M	1,048,576
输出形态	仅文本	仅文本

一个不太主流的判断

“音频便宜 98%”是这次发布最响的一句，但对大多数团队，它改变不了太多。

算一笔会议纪要的账。一小时录音，Gemini 输入 8.6 美分；假设纪要加思考一共 6,000 个输出 token，按 3.75 美元算是 2.25 美分。输入确实是大头，一共 11 美分左右。换到 Qwen，输入 0.18 美分，输出 3,000 个可见 token 约 0.14 美分，一共 0.3 美分上下。

看起来差三十多倍，很吓人。

可一家每月处理 500 小时会议的公司，Gemini 一个月也就 55 美元。这个量级上，决定选谁的不是价格，是纪要准不准、说话人对不对。

真正会被这个价格改变决策的，是体量大到按“万小时”计的业务：客服质检、播客平台、在线教育的课堂录音。10 万小时录音，Gemini 输入约 8,600 美元，明年翻倍后 17,200 美元；Qwen 按同样速率估算约 180 美元。这时候差价就是一个工程师的年薪了。

反过来，视频才是更容易被忽略的开销。Gemini 低清视频每秒约 100 个 token，一小时约 27 美分，是音频的三倍多，Qwen 的视频按 0.15 美元的普通输入价算，阿里没公布视频抽帧的 token 速率，没法直接换算。视频量大的项目，别拿音频的降价幅度去推视频成本，自己跑一段样片看账单最准。

落到具体项目上

万小时级的音频转写、质检、摘要：Qwen3.8-Omni-Flash，价格优势压倒一切，把 17% 的 cpWER 用抽检兜住。

单段录音超过 3 小时、要求一次性理解全程的，比如整场庭审、整天培训：Gemini 3.8 Flash，省掉切段带来的上下文断裂，但预算按 2027 年的翻倍价做。

中文方言、多人会议：两边都先拿自己的真实录音测。Qwen 的会议分数是和上一代比出来的，Gemini 在中文方言上也没有公开的针对性数据。

需要模型开口说话的：两个都不行。要么用 Gemini 3.8 Live，要么留在 Qwen3.5-Omni 上，按 44 美元每百万的语音输出价付钱。想先上手的，通义千问平台已经能直接体验新模型。