เปิดตัวโมเดล Omnimodal Qwen3.8-Omni-Flash: ความสามารถ, API และคู่มือ Agent สำหรับเสียงและวิดีโอ

โมเดล Omnimodal Qwen3.8-Omni-Flash เปิดให้ใช้งานอย่างเป็นทางการแล้ว โมเดลนี้นำข้อความ รูปภาพ เสียง และวิดีโอมาไว้ในเวิร์กโฟลว์ Agent เดียวกัน โดยเป้าหมายไม่ใช่แค่ “เข้าใจเนื้อหา” แต่คือการขับเคลื่อนตั้งแต่การทำความเข้าใจสื่อ การวางแผนงาน การเรียกใช้เครื่องมือ ไปจนถึงการส่งมอบผลลัพธ์ สำหรับนักพัฒนาที่ต้องจัดการวิดีโอยาว เสียงบันทึกการประชุม มิวสิกวิดีโอ และสื่อภาพยนตร์ จุดสำคัญของการเปิดตัวครั้งนี้คือ Agent สำหรับเสียงและวิดีโอ ไม่ใช่แค่โมเดลมัลติโมดัลอีกตัวที่ทำได้เพียงสนทนา

บทความนี้เรียบเรียงจากเอกสารเผยแพร่ของบัญชี WeChat ทางการของ Qwen โดยคงภาพประกาศและภาพสาธิตจากต้นฉบับไว้ ตัวเลขการประเมินในบทความเป็นผลลัพธ์ที่ทางการเปิดเผย ไม่ใช่การทดสอบซ้ำอย่างอิสระของเว็บไซต์นี้ โมเดลปรากฏในไดเรกทอรีของเว็บไซต์นี้แล้วหรือไม่ อัตราคูณจริง และการหักค่าบริการ ให้ยึดตามราคโมเดลแบบเรียลไทม์และใบแจ้งยอดจริงเป็นหลัก

Qwen3.8-Omni-Flash รองรับอินพุตใดบ้าง?

รายการ	ข้อมูลในเอกสารเปิดตัว
ชื่อโมเดล	Qwen3.8-Omni-Flash
โมดาลิตีอินพุต	ข้อความ รูปภาพ เสียง วิดีโอ
บริบท	สูงสุด 1M Tokens
ทิศทางที่เน้น	Agent สำหรับเสียงและวิดีโอ, การเขียนโปรแกรม, งานความรู้ด้านข้อความ, การปฏิบัติการ GUI
งานระยะยาว	การทำความเข้าใจเสียงและวิดีโอยาว, บันทึกการประชุมและงานที่ต้องทำ, รายงานวิจัยวิดีโอ, การสร้างคอนเทนต์
เครื่องมือประกอบ	Qwen-MM-Plugins, Qwen-Live Harness

โมเดล ID จริงของ API, โปรโตคอล, ข้อจำกัดบริบท และความพร้อมใช้งานตามภูมิภาค ต้องยึดตามเอกสารปัจจุบันของผู้ให้บริการ อย่าสันนิษฐานว่าเกตเวย์แบบ compatible ทั้งหมดรองรับเสียง วิดีโอ และการส่งผลกลับจากเครื่องมือแล้วเพียงเพราะเอกสารเปิดตัวระบุว่า “Omnimodal” ในการเชื่อมต่อใช้งาน ควรตรวจสอบข้อความ รูปภาพ เสียง วิดีโอ และการเรียกใช้เครื่องมือแยกกัน

การประเมินอย่างเป็นทางการ: Agent สำหรับเสียงและวิดีโอและงานระยะยาวดีขึ้นอย่างชัดเจน

เอกสารเปิดตัวระบุว่า Qwen3.8-Omni-Flash ทำคะแนนในการประเมินรวม 30 รายการได้ดีขึ้นเฉลี่ยมากกว่า 26% เมื่อเทียบกับรุ่นก่อนหน้า Qwen3.5-Omni-Plus การเปลี่ยนแปลงบางส่วนที่เข้าใจง่ายกว่า ได้แก่:

• WildClawBench-MM เพิ่มขึ้น 36.5 คะแนน โดยโฟกัสที่ Agent สำหรับเสียงและวิดีโอ, การเขียนโปรแกรม และงานระยะยาว;
• AgenticVBench เพิ่มขึ้น 22.3 คะแนน;
• UniClawBench ได้คะแนน 69.6;
• LongAudioSpan เพิ่มขึ้น 8.3 คะแนน และ OmniVideoBench เพิ่มขึ้น 9.6 คะแนน;
• CSR / ISR ของ OmniCap-IF เพิ่มขึ้น 8.5 / 14.1 คะแนนตามลำดับ;
• DER / cpWER ของ AliMeeting ลดลงจาก 88.11 / 89.61 เหลือ 3.35 / 17.18

ควรทำความเข้าใจตัวเลขเหล่านี้ร่วมกับชุดทดสอบ พรอมต์ สภาพแวดล้อมเครื่องมือ และตัวชี้วัดการประเมิน ตัวอย่างเช่น DER และ cpWER เป็นตัวชี้วัดข้อผิดพลาดที่เกี่ยวข้องกับการรู้จำในการประชุม โดยทั่วไปค่าที่ลดลงหมายถึงดีกว่า ส่วนคะแนนที่เพิ่มขึ้นใน Agent benchmark ไม่สามารถแปลงตรงๆ เป็นอัตราความสำเร็จของงานผลิตจริงทั้งหมดได้

บริบทยาวไม่ได้หมายถึง “ยัดวิดีโอได้มากขึ้น” เท่านั้น

Qwen3.8-Omni-Flash รองรับลำดับยาว 1M แต่คุณค่าของบริบทยาวไม่ได้มีแค่การอัปโหลดไฟล์ขนาดใหญ่ขึ้น สิ่งที่ใช้งานได้จริงมากกว่าคือ โมเดลสามารถตัดสินใจก่อนว่า “ควรดูอะไร ฟังอะไร” ตามคำถาม แล้วจึงทำการตรวจสอบหลักฐานหลายรอบกับช่วงที่เกี่ยวข้องจากหยาบไปละเอียด

ในการทดลอง OmniVideoBench ที่เอกสารทางการอ้างถึง Agentic Understanding เพิ่มความแม่นยำจาก 63.4 เป็น 67.8 พร้อมกับลดการใช้ Token จาก 145,736 เป็น 79,117 หรือลดลงประมาณ 45.7% สิ่งนี้แสดงให้เห็นว่าการตรวจสอบหลักฐานแบบเชิงรุกอาจลดการประมวลผลซ้ำของช่วงที่ไม่เกี่ยวข้องได้ แต่ต้นทุนจริงยังขึ้นอยู่กับความยาวไฟล์ การเข้ารหัสเสียงและวิดีโอ วงรอบเครื่องมือ ความยาวเอาต์พุต และวิธีคิดค่าบริการของผู้ให้บริการ

การประชุมยาว: จากการจดบันทึกสู่การดำเนินงาน

การประชุมหลายคนประกอบด้วยภาพ เสียง การแยกผู้พูด ความสัมพันธ์ของการอ้างถึง และบริบทโครงการพร้อมกัน เอกสารเปิดตัวระบุว่า Qwen3.8-Omni-Flash รองรับอินพุตเสียงและวิดีโอความยาวสูงสุดหนึ่งชั่วโมง สามารถทำความเข้าใจภาพบุคคลและเนื้อหาคำพูดร่วมกัน ทำการแยกผู้พูด ถอดเสียง และจับคู่ตัวตน จากนั้นสร้างบันทึกการประชุม งานที่ต้องทำ และการวิเคราะห์ความเสี่ยง

หลังเชื่อมต่อเครื่องมือแล้ว เวิร์กโฟลว์สามารถขยายออกไปภายนอกได้ต่อ เช่น ส่งอีเมล จัดระเบียบงาน หรือเริ่มเขียนโค้ดตามความต้องการของการประชุม ตรงนี้จำเป็นต้องแยกการตรวจรับระหว่าง “คำแนะนำที่โมเดลส่งออก” กับ “การดำเนินการภายนอกจริง”: สภาพแวดล้อมการผลิตควรกำหนดสิทธิ์เครื่องมืออย่างชัดเจนสำหรับการส่งอีเมล การเขียนไฟล์ การสร้างงาน และการรันโค้ด

การวิจัยเชิงลึกที่มีวิดีโอเป็นศูนย์กลาง

เมื่อผู้ใช้ถามคำถามเฉพาะเกี่ยวกับวิดีโอ คำตอบมักต้องผสานข้อมูลจากเว็บเพจ รูปภาพ เอกสาร และวิดีโออื่นๆ นอกเหนือจากวิดีโอนั้น Qwen3.8-Omni-Flash สามารถสกัดประเด็นสำคัญในวิดีโอก่อน จากนั้นจัดระเบียบข้อมูลมัลติโมดัลเพื่อสร้างรายงานวิจัยที่มีทั้งภาพและข้อความ สำหรับบทเรียน คอร์สเรียน การสาธิตผลิตภัณฑ์ และสื่อภาพยนตร์ วิธีนี้ใกล้เคียงเวิร์กโฟลว์จริงมากกว่าการสร้างสรุปสั้นๆ เพียงอย่างเดียว

คำบรรยายวิดีโอที่ควบคุมได้: สื่อเดียวกัน แต่ผลลัพธ์ต่างกันตามธุรกิจ

คำบรรยายวิดีโอไม่ควรมีคำตอบคงที่เพียงแบบเดียว การสร้างคอนเทนต์ให้ความสำคัญกับการเล่าเรื่อง การค้นคืนสื่อให้ความสำคัญกับช่วงเวลา ส่วนการจัดการสินทรัพย์ให้ความสำคัญกับบุคคล ช็อต เสียง และฟิลด์เชิงโครงสร้าง

จุดวางตำแหน่งของ Qwen3.8-Omni-Flash คือการอนุญาตให้ฝั่งผู้เรียกควบคุมวัตถุที่ต้องการบรรยาย ช่วงเวลา ระดับรายละเอียดของข้อมูล และรูปแบบเอาต์พุต ตัวอย่างเช่น สื่อชิ้นเดียวกันสามารถส่งออกแยกเป็น:

1. เรื่องย่อแบบสามช่วงสำหรับบรรณาธิการ;
2. ไทม์สแตมป์ บุคคล และแอ็กชันสำคัญสำหรับการค้นคืน;
3. เมตาดาต้า JSON สำหรับคลังสินทรัพย์;
4. รายชื่อผู้พูด ภาษา และเหตุการณ์เสียงสำหรับทีมทำคำบรรยาย

ความสามารถประเภทนี้เหมาะกับการออกแบบร่วมกับ structured output, เครื่องมือไฟล์ และระบบค้นคืน มากกว่าการดูคำบรรยายภาษาธรรมชาติหนึ่งย่อหน้าในหน้าต่างแชตเท่านั้น

การผลิตและตัดต่อเสียงและวิดีโอ: ต้องอัปเกรดโมเดล เครื่องมือ และสภาพแวดล้อมรันไทม์ร่วมกัน

Agent สำหรับเสียงและวิดีโอยาวไม่ได้เผชิญแค่ปัญหาความสามารถของโมเดลเท่านั้น แต่ยังรวมถึงการจัดเก็บไฟล์ การส่งผ่านเครือข่าย การใช้เหตุผลหลายรอบ การตัดต่อไทม์ไลน์ และการส่งมอบผลลัพธ์ ด้วยเหตุนี้ เอกสารเปิดตัวจึงแนะนำโปรเจกต์โอเพนซอร์สประกอบสองรายการ:

• Qwen-MM-Plugins: สำหรับการรับรู้ตามความต้องการ การเรียกใช้เครื่องมือ และการดำเนินเวิร์กโฟลว์สำหรับเสียงและวิดีโอยาว;
• Qwen-Live Harness: สำหรับสภาพแวดล้อมปฏิสัมพันธ์ Omnimodal แบบเรียลไทม์และต่อเนื่อง

ทั้งสองสามารถมองว่าเน้นด้านการรันต่างกัน: ตัวหนึ่งเอนเอียงไปทางงานระยะยาวและการประมวลผลสื่อ อีกตัวเอนเอียงไปทางปฏิสัมพันธ์แบบเรียลไทม์ ในการดีพลอย ต้องตรวจสอบ dependency, VRAM, สิทธิ์ไฟล์, เครือข่ายภายนอก และเวอร์ชันปลั๊กอินแยกต่างหาก อย่าเขียนว่า “คลังโค้ดเปิดซอร์สแล้ว” เป็น “รันใช้งานผลิตจริงในเครื่องได้ด้วยคลิกเดียว”

จะเชื่อมต่อ Qwen3.8-Omni-Flash API อย่างไร?

หากผู้ให้บริการเปิด route ที่เกี่ยวข้องแล้ว แนะนำให้เริ่มจากการทำ Smoke Test ด้วยสื่อขนาดเล็กที่ไม่มีข้อมูลอ่อนไหว: รูปภาพหนึ่งภาพ เสียงยาวไม่กี่สิบวินาทีหนึ่งไฟล์ และวิดีโอสั้นหนึ่งไฟล์ โดยทดสอบอินพุต เอาต์พุต ปริมาณ Token และข้อความผิดพลาดแยกกัน

รูปทรงคำขอ Chat Completions แบบ compatible ที่พบได้ทั่วไปมีดังนี้ ให้แทนที่ model ด้วย ID ที่ถูกต้องซึ่งยืนยันแล้วจากไดเรกทอรีโมเดลแบบเรียลไทม์ของผู้ให้บริการ อย่าเดาชื่อโมเดลโดยตรง:

curl "$BASE_URL/chat/completions" \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3.8-omni-flash",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "สรุปธีม ผู้พูด และเวลาสำคัญสามจุดของสื่อนี้"},
        {"type": "input_video", "video_url": {"url": "https://example.com/demo.mp4"}}
      ]
    }],
    "stream": false
  }'

input_video ด้านบนใช้เพื่ออธิบายว่า request แบบมัลติโมดัลจำเป็นต้องตรวจสอบรูปแบบ content block แยกต่างหากเท่านั้น ไม่ได้หมายความว่าอินเทอร์เฟซแบบ compatible ทั้งหมดจะยอมรับฟิลด์นี้ ก่อนเชื่อมต่อจริงควรดูเอกสารของผู้ให้บริการ และบันทึกแยกกันว่า:

• อินเทอร์เฟซรองรับวิดีโอ URL, Base64 หรือ file ID หรือไม่;
• ข้อจำกัดขนาดไฟล์เดี่ยว ความยาว รูปแบบ และ timeout ในการดาวน์โหลด;
• วิธีคำนวณและราคาของ Token สำหรับเสียง/วิดีโอ;
• รองรับการเรียกใช้เครื่องมือ, structured output และการส่งกลับแบบ streaming หรือไม่;
• การ retry เมื่อผิดพลาดจะถูกหักค่าบริการซ้ำหรือไม่

หากคุณเรียกใช้ผ่านเกตเวย์ของเว็บไซต์นี้ โปรดเปิดราคโมเดลแบบเรียลไทม์ก่อน เพื่อยืนยันโมเดล ID, อัตราคูณ และความสามารถปัจจุบัน จากนั้นใช้ยอดเงินจำนวนน้อยเพื่อตรวจสอบใบแจ้งยอดจริง บทความของเว็บไซต์นี้จะไม่นำราคาเปิดตัวอย่างเป็นทางการหรือราคาจากแพลตฟอร์มอื่นมาใช้เป็นราคาของเว็บไซต์นี้โดยตรง

เหมาะกับสถานการณ์ใดบ้าง?

1. การตัดต่อวิดีโอและการค้นคืนสื่อ

ให้โมเดลระบุช็อต บุคคล แอ็กชัน และเหตุการณ์เสียงก่อน แล้วค่อยส่งต่อให้เครื่องมือตัดต่อเพื่อทำ rough cut, คำบรรยาย และการจัดตอน ในการตรวจรับ ควรเปรียบเทียบความแม่นยำของไทม์สแตมป์และอัตราการตกหล่น ไม่ใช่ดูแค่ว่าสรุปอ่านลื่นไหลหรือไม่

2. มิวสิกวิดีโอและการบรรยายภาพยนตร์

โมเดลสามารถทำความเข้าใจภาพ บทสนทนา ดนตรี และโครงสร้างการเล่าเรื่องพร้อมกัน จากนั้นสร้างสคริปต์ คำอธิบายช็อต หรือร่างคำบรรยายผลงาน วิดีโอสุดท้ายยังต้องให้มนุษย์ตรวจสอบลิขสิทธิ์ ข้อเท็จจริง และคุณภาพภาษา

3. การประชุมและงานความรู้

วิดีโอการประชุมสามารถเข้าสู่ pipeline สำหรับการถอดเสียง การรู้จำผู้พูด บันทึกการประชุม การวิเคราะห์ความเสี่ยง และการสร้างงาน เมื่อเกี่ยวข้องกับลูกค้า พนักงาน หรือความลับทางธุรกิจ ต้องยืนยันขอบเขตการจัดเก็บข้อมูลและการส่งผ่านภายนอกก่อน

4. การวิจัยเชิงลึกแบบมัลติโมดัล

ใช้วิดีโอเป็นจุดเริ่มต้นของการวิจัย ผสานเว็บเพจ รูปภาพ เอกสาร และวิดีโออื่นๆ เพื่อเสริมบริบท เหมาะสำหรับการทบทวนคอร์สเรียน การวิจัยผลิตภัณฑ์ และการวิเคราะห์บทเรียนเชิงเทคนิค

เช็กลิสต์การเลือกใช้และการเชื่อมต่อ

1. ยืนยันก่อนว่าผู้ให้บริการเปิดให้ใช้ Qwen3.8-Omni-Flash จริงหรือไม่ อย่าดูแค่หัวข้อข่าว
2. ใช้ไฟล์ขนาดเล็กที่ไม่มีข้อมูลอ่อนไหวเพื่อทดสอบข้อความ รูปภาพ เสียง และวิดีโอแยกกัน
3. บันทึกขนาดไฟล์ ความยาว อินพุต/เอาต์พุต Tokens, latency, cache และการหักค่าบริการจริง
4. สร้างชุดตัวอย่างตรวจรับแยกต่างหากสำหรับ OCR, การรู้จำผู้พูด, ไทม์สแตมป์, วิดีโอถามตอบ และการดำเนินการของเครื่องมือ
5. วางการทำความเข้าใจวิดีโอ การอ่านไฟล์ การสร้างงาน การส่งอีเมล และการรันโค้ดไว้ในขอบเขตสิทธิ์ที่แตกต่างกัน
6. ตั้งงบประมาณ timeout, retry และเงื่อนไขให้มนุษย์เข้าควบคุมสำหรับงานยาว
7. เขียนเวอร์ชันโมเดล วันที่ request, ผู้ให้บริการ โปรโตคอล และโครงสร้างผลลัพธ์ลงใน log ที่ตรวจสอบย้อนกลับได้

คำถามที่พบบ่อย

Qwen3.8-Omni-Flash เป็นโมเดล vision ทั่วไปหรือไม่?

ไม่ใช่ การวางตำแหน่งในการเปิดตัวคือโมเดล Omnimodal แบบ native โดยอินพุตครอบคลุมข้อความ รูปภาพ เสียง และวิดีโอ และผสานการทำความเข้าใจเสียงและวิดีโอกับการดำเนินการเครื่องมือของ Agent

รองรับวิดีโอยาวแค่ไหน?

เอกสารเปิดตัวกล่าวถึงอินพุตเสียงและวิดีโอความยาวสูงสุดหนึ่งชั่วโมง และบริบทยาว 1M ขีดจำกัดเฉพาะยังอาจได้รับผลกระทบจาก API, ขนาดไฟล์, การเข้ารหัส, ภูมิภาค และการ implement ของผู้ให้บริการ จึงควรยึดตามเอกสารอินเทอร์เฟซปัจจุบันและ request จริง

บริบท 1M หมายความว่าต้นทุนต้องต่ำลงเสมอหรือไม่?

ไม่ใช่ บริบทยาวขยายขอบเขตที่ประมวลผลได้ แต่การอัปโหลดไฟล์ Token ของเสียงและวิดีโอ วงรอบเครื่องมือ และเอาต์พุตล้วนก่อให้เกิดต้นทุน การตรวจสอบหลักฐานแบบ Agentic มีโอกาสลดการประมวลผลที่ไม่เกี่ยวข้อง แต่ต้องตรวจสอบด้วยปริมาณการใช้งานจริง

Qwen-Live Harness และ Qwen-MM-Plugins ต่างกันอย่างไร?

ตัวแรกเป็นสภาพแวดล้อมรันไทม์สำหรับปฏิสัมพันธ์ Omnimodal แบบเรียลไทม์และต่อเนื่อง ส่วนตัวหลังมุ่งที่การรับรู้ตามความต้องการ การเรียกใช้เครื่องมือ และการดำเนินเวิร์กโฟลว์สำหรับเสียงและวิดีโอยาว ทั้งสองเป็นโปรเจกต์ประกอบ ไม่เท่ากับโมเดล API เดียวกัน

เว็บไซต์นี้รองรับ Qwen3.8-Omni-Flash แล้วหรือยัง?

บทความไม่สามารถใช้แทนไดเรกทอรีแบบเรียลไทม์ได้ โปรดดูหน้าราคาโมเดล เพื่อยืนยันโมเดล ID, อัตราคูณ, ความสามารถด้านโมดาลิตี และใบแจ้งยอดจริงก่อนนำไปใช้ในการผลิต

สรุป

จุดสำคัญของโมเดล Omnimodal Qwen3.8-Omni-Flash คือการผลักดันเสียงและวิดีโอจาก “อินพุตที่โมเดลเข้าใจ” ไปสู่สื่อการทำงานที่ Agent สามารถตรวจสอบหลักฐานอย่างต่อเนื่อง วางแผน เรียกใช้เครื่องมือ และส่งมอบผลลัพธ์ได้ เหมาะกับการตรวจสอบด้วยงานจริงในขอบเขตเล็กก่อน: เริ่มจากทดสอบวิดีโอยาวถามตอบ บันทึกการประชุม และการค้นคืนสื่อ แล้วค่อยเพิ่มการตัดต่อ การวิจัย และการดำเนินงานตามลำดับ

แหล่งที่มา: หน้าออฟไลน์จากบัญชี WeChat เรื่อง “เปิดตัวโมเดล Omnimodal Qwen3.8-Omni-Flash” ที่ผู้ใช้จัดเตรียมให้; รูปภาพเป็นภาพประกอบต้นฉบับจากหน้านั้น ซึ่งได้คัดลอกไปยังไดเรกทอรี static resources ของเว็บไซต์นี้แล้ว โดยไม่ได้ถือว่าสคริปต์ของหน้าเว็บหรือคำสั่งจากบุคคลที่สามเป็นเนื้อหาของบทความ.