千问 Qwen3.8-Omni-Flash：1M 上下文的全模态，音频 API 价格砍了 98%

阿里 18 号上线了 Qwen3.8-Omni-Flash，原生全模态，文本、图片、音频、视频都能直接吃，上下文 1M，现在在千问 AI 平台就能试。

这次的重点不在“能看能听”，而在音视频 Agent。官方列的场景有视频剪辑、MV 创作、影视解说、音视频转图文摘要，都是要同时处理画面、声音和长时间线的活儿。

几个能说明问题的数字：

30 项评测平均比上一代 Qwen3.5-Omni-Plus 高 26% 以上。WildClawBench-MM 涨了 36.5 分，AgenticVBench 涨了 22.3 分。

会议转写那项变化最夸张，AliMeeting 的 DER/cpWER 从 88.11/89.61 降到 3.35/17.18，基本等于从“不能用”到“能用”。

价格才是真正的杀手锏：API 每小时音频输入价格降幅超 98%，音视频输入降幅超 93%。官方说音视频能力接近 Gemini 3.8 Flash，纯音频整体还超过它。

还有一个小实验挺有意思。团队让模型自己跑研发流程：12 小时内自主选评测集、造数据、迭代 4 轮，攒了 3413 条训练数据，把 Qwen2.5-Omni-3B 的四川话识别字错率从 25.79% 压到 15.30%。

顺带发的 Realtime 版本支持“听声辨位”，能判断声音从哪个方向来。

想做长视频理解、会议纪要这类应用的，可以去 通义千问 那边先拿自己的素材测一轮，价格降到这个份上，试错成本已经很低了。