阿里把「全能模型」的音频价格砍掉 98%：Qwen3.8-Omni-Flash 最狠的一刀，砍在会议记录上

9 月 18 日，Qwen 一口气放出了一整套东西：Qwen3.8-Omni-Flash、超低延迟的 Qwen3.8-Omni-Flash-Realtime，以及两个配套框架 Qwen-Live-Harness 和 Qwen-MM-Plugins。

官方给的数字大概是这样：

项目	变化
综合能力	比上代 Qwen3.5-Omni-Flash 平均分提升 25%，Agent 相关能力有分数翻倍
多人重叠会议 ASR	错误率从 88% 降到 3%
音视频输入	原生支持最长 1 小时连续音视频，上下文 1M token
音频价格	每百万 token 从 18 元降到 0.8 元，降幅 98%
实时版延迟	20 秒音频约 981 毫秒开口

这五条里，我觉得最需要单独拎出来说的是第二条：88% 到 3%。

88% 到 3%，这才是那条分水岭

多人同时说话的会议转写，过去基本是个笑话。不是模型不行，是这件事本身太难：几个人抢话、语速不同、有人带口音、有人远场发言，上一代 88% 的错误率意味着转出来的文字只能当草稿，想用还得人工对着录音改一遍。所以过去几年「AI 写会议纪要」这件事一直卡在第一步——不是总结不好，是根本没听清。

错误率掉到 3%，性质就变了。这意味着会议场景可以从「事后人工整理」变成「机器先出一版、人只做校订」。真正被改写的不是模型榜单，而是那些原本因为准确率不够、一直没敢上线的场景：客服质检、跨语言会议、访谈整理、播客字幕。

顺便说，113 种语言和方言的音频输入、空间音频多通道输入也都在这一代里，再加上可调节的思考强度和联网搜索，它已经不太像一个「语音模型」，更像一个能长时间盯着音视频流看的理解引擎。

价格降 98%，比能力提升更值得注意

音频输入每百万 token 从 18 元降到 0.8 元。这个数字的杀伤力，不在「便宜」，而在它把过去那种两段式流水线干掉了。

以前的常见做法是：先用便宜的语音识别转成文字，再拿文字去问大模型。为什么要拆两步？因为音频 token 太贵，直接喂音频不划算。现在音频便宜到这个程度，加上原生 1 小时输入，就可以把整段会议、整段客服录音直接丢进去——省掉转写这一步，也就省掉了转写错误在第二段被放大的问题。

我一直觉得，多模态的竞争焦点正在从「能不能看懂」，转到「贵不贵、能不能长时间看」。谁的单价先降到某个阈值以下，谁就能长出新品类。去年大家比的是谁先支持视频，今年比的是谁能让视频变得像文本一样随便用。

两个配套框架，比模型本身更值得琢磨

Qwen-Live-Harness 是个悬浮球：点开就能跟模型对话，还能做环境监控——比如你跟它说「我离开一会儿，任务跑完了叫我」，它会把任务塞进任务看板，持续跟进状态，最后主动播报。技术上它没多神，但它把「Agent 有长期任务」这件事变得可见了，从「我问它答」变成「它盯着事情、到点找我」。

Qwen-MM-Plugins 则是一个「赋能」插件库，可以装进 Claude Code、Gemini CLI、Codex、OpenClaw 这类本地 Agent，给它们补上视觉、长视频记忆，甚至操作 Blender、CAD 做视觉建模的能力。

而这里面我最感兴趣的是一个小东西：omni-skill-creator。你录一段操作软件的视频，把讲解的语音一起录进去，丢给它，它就能生成一个操作这个软件的 skill。

这个思路很像机械臂的示教学习——不用写代码，拉着机械臂的手走一遍，它就会了。区别在于这里的「手把手」还带解释：你可以边操作边说「这里要点两次是因为第一次只加载了缓存」，模型连「为什么」一起学。

我的判断

这次发布真正值钱的不是分数，是三件事同时成立：听清多人说话、长时间处理音视频、单价低到可以常驻。三者缺一，多模态都只能停在演示阶段。

接下来我会盯三个指标：一是真实场景（不是一个干净录音棚）的多人会议准确率能不能守住 3%；二是 Realtime 在真实网络抖动下的表现，981 毫秒是实验室数字；三是 omni-skill-creator 生成的 skill 能不能跨软件、跨版本复用——如果能，那「企业内部 SOP」这件事会被重写一遍，因为录屏本身就成了可执行的文档。

顺带一个提醒：录屏教模型的时候，屏幕上别开着不该开的东西。教得越细，泄得越全。