一、这次的重点，不是"能听懂"
阿里今天上线的 Qwen3.8-Omni-Flash，卖点不在"听得懂"，在"干得动"。
9 月 18 日，千问团队发布新一代原生全模态模型。文本、图像、音频、视频四种输入，1M token 上下文。
官方给它的定位写得很直白：让全模态模型从"理解全模态内容"，走到"规划任务、调用工具、完成创作"。
更值得盯的是价格。每小时音频输入的成本降幅超过 98%，每小时音视频输入降幅超过 93%。
过去几年，音视频一直是全模态模型最贵、最难用的那部分。输入进去，出个摘要，人再接着干。
这次的口径变了：音视频直接变成智能体开工的对象。
先说技术底子。模型基于 Qwen3.8-Flash-Next 架构，在模型层面原生处理四类信息，不是把语音识别和图像识别拼在一起各算各的。
它还支持 2 通道与 4 通道空间音频解析，覆盖 113 种语言和方言。
音视频这条线上的动作是连着来的。前后脚，千问云还上线了实时音视频同传模型，端到端时延压到约 2.3 秒。
这意味着什么？一整场两小时的会议、一整部电影，可以直接丢进去，不用先切段、抽帧、再接一条外部流水线。
二、音视频智能体，具体接的是什么活
官方列的场景很具体：视频剪辑、音乐视频创作、影视制作与解说、音视频转图文摘要、实时对话。
会议场景最能说明问题。多说话人识别一直是老大难。
在 AliMeeting 测试上，它的说话人错误率从上代的 88.11 降到 3.35，带说话人归属的字错率从 89.61 降到 17.18。
还有个细节我挺喜欢。官方做了一次"模型优化模型"的实验：12 小时内把 Qwen2.5-Omni-3B 的四川话识别字错率，从 25.79% 压到 15.30%。
配套也一起放了出来，Qwen-MM-Plugins 管长程工作流，Qwen-Live Harness 管实时交互，两个都开源。模型本身没有开源。
三、跑分和价格，赢在哪、还没赢在哪
官方口径是 29 项评测平均分提升超 25%，音视频 Agent 方向涨得最凶。
WildClawBench-MM 提升 36.5 分，AgenticVBench 提升 22.3 分，UniClawBench 拿到 69.6 分。
对标 Gemini 3.8 Flash，音频能力整体超过，音视频能力接近。
但也不是全项领先。AgenticVBench 上 Gemini 是 45.0，Qwen 是 36.8；OmniGAIA 是 78.6 对 74.0；部分视频理解测试，Gemini 仍然占优。
所以"接近 Gemini"这个说法，准确范围是音频与音视频的整体能力，不是每一项都咬住了。
四、收个尾
把这几件事放在一起，脉络就清楚了。音视频正在从"感知输入"，变成智能体理解环境、推理、执行任务的核心介质。
而价格塌到这个位置，自动分析长会议、播客、直播、海量视频素材，就从"要不要做"变成了"顺手做"。
以前卡住这件事的不是模型不够聪明，是账单太贵。现在账单这一关松了，被卡的环节就往后移。
真正稀缺的，从来不是模型能不能干，而是谁知道该拿它去接哪个活。
