Qwen3.5-Omni

エグゼクティブサマリー： Qwen3.5-Omni は、Alibaba Qwen が公開した最新のネイティブ全モーダルモデル群であり、音声アシスタント、多モーダルエージェント、リアルタイム AI インターフェースを構築するチーム向けに設計されています。中核価値は、テキスト、画像、音声、動画の理解に加え、低コストな導入経路、関数呼び出し、長文脈処理を単一基盤へ統合している点です。

Qwen3.5-Omni は、単なるチャットモデルというより AI インフラ層として捉えるのが適切です。開発者、AI プロダクトチーム、システム構築者に向いており、ASR、VLM、TTS を個別に組み合わせずとも、多モーダル入力、音声出力、関数呼び出し、Web 検索、リアルタイム対話を 1 つのモデル群で扱えます。

最新の公開情報では、Plus、Flash、Light の 3 系統が中心です。公開資料とコミュニティ情報によれば、256K コンテキスト、最大 10 時間の音声 または約 400 秒の 720p 動画 のネイティブ処理、113 の音声認識言語、36 の音声生成言語 に対応します。これにより、音声エージェント、多言語カスタマーサポート自動化、動画 QA パイプライン、画面共有と音声を組み合わせたコパイロット用途で高い競争力があります。

セルフホストや研究利用では、オープンな Qwen3-Omni 系列が運用面の重要な示唆を与えます。オープンソースの 30B-A3B 系列は、36 の音声および音声映像ベンチマークのうち 32 で OSS SOTA、さらに 22 項目で総合 SOTA を公表しています。一方で、公開されている BF16 最低メモリ要件は 15 秒動画 でも 78.85 GB から始まるため、本格的なローカル導入には依然として重い基盤が必要です。

Qwen3.5-Omni offers a Free plan, with paid tiers starting at about $0.11 per 1M input tokens. It is less expensive than average for this category.

実運用の観点では、音声認識、動画理解、ツール利用、音声応答を単一の多モーダル基盤で処理したい場合に、Qwen3.5-Omni は特に有力です。GPT-4o や Gemini と比べると、オープンな導入選択肢、音声性能、コスト優位性の組み合わせが大きな強みです。反面、ローカル推論では大容量 GPU メモリ、ソースベース導入、Transformers、vLLM、Docker、ffmpeg などのバックエンド選定が必要で、運用難度は低くありません。