9 月 18 日,阿里千问上线新一代原生全模态模型 Qwen3.8-Omni-Flash。发布口径里最扎眼的一句不是跑分,是价格:每小时音频输入的 API 价格降幅超过 98%,音视频联合输入降幅超过 93%。同一周里国产模型的动作都很密集,但这句话才是会直接改工作流的那种变化。
我们把阿里云百炼的官方模型页、计费页和 Token 换算规则都翻了一遍,自己把账算了一遍。结论先放前面:按官方换算规则,一小时录音的成本是 2 分钱人民币——这个数字比"降幅 98%“更值得记住,因为它决定了哪些活值得交给模型干。
本文由拾光札记编辑部整理,勘误请联系我们。
一、先把实锤和厂商口径分开
- 实锤(官方文档可逐条核对):
qwen3.8-omni-flash支持文本、图片、音频、视频四类输入,输出只有文本;上下文 1M Token,非思考模式最大输入 991,808 Token,思考模式 983,616,最大输出 131,072。支持 Function Calling、联网搜索(Responses 内置工具当前只有web_search)、隐式缓存与 Responses Session 缓存。(2026-09-19 核对)。该页面还确认音频输入支持 113 种语言和方言,通过use_multichannel可开空间音频,服务地域为北京、新加坡、中国香港、东京、法兰克福、弗吉尼亚六处,必须用对应地域的 API Key。 - 实锤(计费页):这款模型在中国内地按 输入 0.8 元 / 缓存命中 0.1 元 / 输出 2.7 元(每百万 Token)计费,国际地域为 1.094 / 0.117 / 3.427 元,即媒体转述的 0.15 / 0.016 / 0.47 美元。新的计费表取消了"文本/图片/视频"与"音频"的分价,一律按输入价算。
- 实锤(换算规则):音频按
总 Token 数 = 音频时长(秒)× 7折算,不足 1 秒按 1 秒;图片每32×32像素 1 个 Token;视频拆成视觉部分与音频部分,单帧像素上限 640×32×32、最多抽 2048 帧、最高支持 15 fps 输入。 - 厂商自评,要打折:官方称在累计约 30 项评测中较上一代 Qwen3.5-Omni-Plus 平均提升超 26%,并称"音频能力整体超过 Gemini 3.8 Flash、音视频能力接近”。这些分数由发布方公布,目前没有第三方复算,读的时候按"厂商口径"处理。
- 实锤(配套开源):这次开源的是 Qwen-MM-Plugins 与 Qwen-Live Harness,模型权重没有开放。我们在 GitHub 核对
QwenLM/Qwen-MM-Plugins为 2,914★,仓库 2026-07-29 创建、最近推送 2026-09-18。同日还上线了实时版Qwen3.8-Omni-Flash-Realtime。
二、价格:一价通吃,音频单价被砍掉一个数量级
把三代放在一起,变化一眼看得出来(单位:元 / 百万 Token,均为北京地域,2026-09-19 核对官方计费页):
| 模型 | 输入(文本/图片/视频) | 输入(音频) | 缓存命中 | 输出(文本) |
|---|---|---|---|---|
| qwen3.8-omni-flash(本代) | 0.8 | 0.8(同价) | 0.1 | 2.7 |
| qwen3.5-omni-flash(上代) | 2.2 | 18 | — | 13.3 |
| qwen3.5-omni-plus(上代旗舰) | 7 | 53 | — | 40 |
上一代是按模态分价的:同样一个 Token,是文字还是声音,价签差 7 倍以上。这一代直接把差价抹平——全模态不再收溢价。顺带一个对照:同页的纯文本模型 qwen3.8-flash 输入 0.8 元、输出 2.7 元,与这款全模态模型完全一致。也就是说,接音频和视频这件事,在这一代的价格表上已经被视同文本处理。
换算成读者真正关心的"我处理一小时要花多少钱":
| 处理对象 | Token 量(按官方规则复算) | 本代成本 | 上代 Plus 同项成本 | 降幅 |
|---|---|---|---|---|
| 1 小时录音 | 3,600 × 7 = 25,200 | 0.02 元 | 1.34 元 | -98.5% |
| 100 小时录音 | 252 万 | 2.02 元 | 133.6 元 | -98.5% |
| 1 小时 720p 视频(含音轨) | 视觉约 131 万 + 音频 2.5 万 | 约 1.07 元 | 约 10.5 元 | 约 -90% |
三点说明,免得读者拿这张表去对赌账单:
- 音频降幅对上了官方口径:以 1 小时音频计,对上一代 Plus 降 98.5%,对上一代 Flash 降 95.6%。官方说的"超 98%“是拿 Plus 比出来的,说得通。
- 视频那一行是我们按官方规则算的上限估算:单帧像素上限 640×32×32 折算下来每帧最多 640 Token,单条视频最多抽 2048 帧,所以一小时视频的视觉部分最多约 131 万 Token。官方口径按 720p、每秒 1 帧估算,与"最多 2048 帧"这个硬上限不完全同步,我们的数字因此比官方的 93% 保守一些。
- 缓存命中价是输入价的 1/8(0.1 元 / 百万 Token)。反复读同一段长音频做多轮追问时,真实成本还会更低。
三、能力:音频四项赢 Gemini,视频智能体还差一截
官方给出的对比数字都指向同一件事:这一代补的是音频,视频智能体还没补齐。以下分数来自发布方口径,不是第三方复算:
| 基准 | Qwen3.8-Omni-Flash | Gemini 3.8 Flash | 谁占优 |
|---|---|---|---|
| WildClawBench-MM(多模态工具调用) | 71.0 | 58.9 | Qwen |
| DailyOmni | 85.1 | 84.0 | Qwen(接近) |
| SpotSoundBench(音效/环境声) | 67.2 | 39.7 | Qwen(领先 27.5 分) |
| MMAU(音频理解) | 81.8 | 76.9 | Qwen |
| AgenticVBench(智能体) | 36.8 | 45.0 | Gemini |
| OmniGAIA | 74.0 | 78.6 | Gemini |
- 多人会议转录是这一代最实用的改进。AliMeeting 基准上,说话人分离错误率 DER 从上一代的 88.11 降到 3.35,带说话人归属的词错误率 cpWER 从 89.61 降到 17.18。上一代那个 88.11 基本等于"这项不可用”,这一代才算能交活——把一小时会议录音丢进去要分钟级纪要和待办,是现在最明确值得试的场景。
- 视频推理仍是短板。AgenticVBench 落后 8.2 分、OmniGAIA 落后 4.6 分,说明"看懂视频帧"和"用视频内容去规划和调工具"之间还有距离。要拿它做视频智能体流水线的人,先小批量验证再决定。
- 一个细节比跑分更有信息量:在 Agentic Understanding 模式下,OmniVideoBench 准确率从 63.4 提到 67.8,同时 Token 消耗从 145,736 降到 79,117,少了约 45.7%。官方的解释是模型先带着问题定位关键片段、再把算力压到核心内容上。准确率和成本同时改善,这种改进比纯涨分实在。
- 官方还有一个"模型优化模型"实验:让它自己在 12 小时内给 Qwen2.5-Omni-3B 造数据、跑了 4 轮实验、构建 3,413 条训练数据,把四川话识别的字符错误率从 25.79% 降到 15.30%(相对降 40.7%)。这是一个自证性的实验,样本有限,但方向值得留意。
四、怎么用起来:两条最短路径
路线一,先试手感(零配置):该模型已在千问 AI 平台提供,不需要 API Key 就能对话试音视频理解。想判断"值不值得接"的人,先把一段自己的会议录音或播客丢进去,看纪要质量再决定。
路线二,走 API(官方文档里有可直接跑的示例):
- 开通阿里云百炼,记住你用的是哪个地域——北京、新加坡、中国香港、东京、法兰克福、弗吉尼亚都要用对应地域的 API Key。
- 创建 API Key,配置环境变量,然后装官方示例依赖:
python3 -m pip install openai。模型走 OpenAI 兼容协议,DASHSCOPE_BASE_URL填业务空间地址即可。 - 调用时把
model写成qwen3.8-omni-flash,消息体里用input_audio传音频 URL,stream=True并加stream_options={"include_usage": True}——把 usage 打出来,是这类按量计费模型唯一靠谱的控成本手段。 - 用 Responses API 的话,音频改成
audio_url字段,音频和视频输入只能出现在user消息里,这一点和 Chat Completions 的写法不同。 - 想让手头的编码 Agent 也能"看视频",可以装 Qwen-MM-Plugins:它以 Skill + 可选 MCP server 的形式安装,官方列出的兼容宿主包括 Codex、Claude Code、Qwen Code、Gemini CLI、Qoder、CodeBuddy、OpenClaw。里面有两个现成能力值得关注:Video2Note 能把数小时视频压成图文对应的 PDF 笔记,Omni Skill Creator 能从一段操作演示里提炼出可复用的技能。
省钱的三个开关(都在官方文档里写明):缓存命中按 1/8 计价,长素材多轮追问尽量复用前缀;视频帧率"越高越贵",按需设置不要无脑拉满;深度思考默认开启,简单任务调低思考强度,否则输出按 2.7 元 / 百万 Token 计费。
五、四个必须知道的边界
- 它只输出文本。要语音回复、要配音、要声音复刻,官方明确指回 Qwen3.5-Omni 系列,而那一代的音频输出单价是 213 元 / 百万 Token(Plus)——和这次的音频输入 0.8 元不是一个量级。做"听完直接念出来"的语音助手,这次降价帮不上你。
- 权重没开源。这次放出来的是插件与 harness,不是模型本体。指望在 1.6G 内存的小机器或自家显卡上跑这个全模态模型的人,可以停在这里了;想本地跑开源模型,还是看我们写过的那类小体积方案(见colibri 那篇的路子)。
- 别指望免费额度。我们核对计费页时,
qwen3.8-omni-flash一行只有输入、缓存、输出三栏,没有标注免费额度;同页纯文本的qwen3.8-flash则标了 100 万 Token 新人额度。百炼的新人免费额度也只在北京地域有效、有效期 90 天。先充一点钱再压测,而不是拿免费额度当容量规划。 - 降的是单价,不是你的存储和带宽。官方自己在发布里点了这一层:长音视频的存储、网络传输与多轮推理成本本来就高,而现有的 Agent harness 普遍缺音视频原生支持。一小时 720p 视频按每秒 1 帧输入,光帧数就是几千帧——账单便宜了,上传和抽帧的工程量还在。
六、我的判断
- 该上:做会议纪要、播客转写、课程字幕、影视解说流水线的个人和小团队。这类活过去最大的成本项就是音频单价,现在是 100 小时录音 2 块钱——以前"整库跑一遍"是不敢想的,现在可以先跑再挑。已经有一套 Agent 工作流、愿意装插件的人,收益最直接。
- 再等等:要做视频智能体、需要视频推理精度的人(AgenticVBench、OmniGAIA 还落后 Gemini 3.8 Flash);需要语音输出的人;以及习惯等第三方复算再决策的人——这次的对比分数全部来自发布方。
- 别碰:想本地部署权重的;把它当高风险场景(医疗、法律、财务)自动化决策引擎的。这代的卖点是便宜和长上下文,不是准确性承诺。
- 一句话总结:这轮不是能力代差,是成本代差。全模态从"按模态加价"变成与纯文本同价,意味着以前因为算不起而不做的活——整年会议录音、全量播客、长课程素材——现在可以进入"先处理,再筛选"的工作方式。至于值不值得切,取决于你的活里音频和视频占比有多少:如果只处理纯文本,这次发布和你基本无关;如果音视频是主料,那这轮价格表值得重新算一遍。
作为参照系:本站 8 月 31 日那篇中端模型价格横评(原文已过保下线)记录的是文本模型的价格战,9 月 17 日那篇 DeepSeek V4.1 Flash 降价账算的是缓存读取,而这一篇算的是音频和视频——三条线的共同点是:单价的竞争已经打到"按模态分价"这一层,而普通人能拿到的实惠,恰恰藏在换算规则里。
顺带一提:如果你的「音频工作流」最终要落到一台自己的小服务器上(转写脚本 7×24 挂着跑那种),我们写过1.6 GiB 内存服务器能跑什么,一年电费不到百元的方案里就有它的位置。
本文由拾光札记编辑部整理,勘误请联系我们。