Qwen3.8-Omni-Flash خدام

Qwen3.8-Omni-Flash هو موديل أصلي متعدد الوسائط طوّراتو علي بابا Qwen، كيدعم إدخال النصوص والصور والصوت والفيديو وسياق طويل حتى لـ1M، وكيتركّز على قدرات Agent من «الفهم حتى التسليم». كيقدر ينجز بوحدو سيرورات عمل كاملة بحال مونتاج الفيديو، وصناعة MV، وترجمة المسلسلات القصيرة، وشرح الأفلام، وتنفيذ خلاصات الاجتماعات. مقارنة مع الجيل اللي فات، تحسّن الأداء فالمتوسط بأكثر من 25%، ونقص ثمن إدخال الصوت عبر API بأكثر من 98%، وزادو جوج أطر عمل مفتوحة المصدر: Qwen-MM-Plugins وQwen-Live Harness.

Caption قابل للتحكم فالصوت والفيديو: المستخدم يقدر يحدد بحرية شنو بغا يتوصف، والنطاق الزمني، ودرجة التفاصيل، وصيغة الإخراج، باش يجاوب الموديل على «شنو بغا المستخدم يعرف» وماشي غير «شنو شاف الموديل».
فهم Agentic للفيديوهات والتسجيلات الصوتية الطويلة: كينطلق من السؤال وكيقرر بوحدو فين يشوف وشنو يسمع، وكيحدد المعلومات المهمة عبر جولات متعددة من التحقق من العام للتفصيلي، مع رفع الدقة وتقليل استهلاك الـtoken بحوالي 45.7%.
فهم الاجتماعات الطويلة وتنفيذ المهام: كيدعم أصلاً إدخال صوت وفيديو لمدة ساعة، وكيكمل من البداية للنهاية فصل المتحدثين، والتفريغ، ومطابقة الهويات، وإنشاء المحضر وتنفيذ المهام المعلّقة.
البحث المعمق فالصوت والفيديو: كيجمع بين محتوى الفيديو واحتياجات المستخدم، وكيقلب أوتوماتيكياً على مصادر متعددة الوسائط، وكيولد تقرير بحث مصور ومتمحور حول الفيديو.
Music2MV: كيفهم بنية الأغنية والإيقاع والمشاعر بدقة، وكيخرج كلمات مع طوابع زمنية، وكيغطي سيرورة صناعة MV كاملة من فهم الموسيقى حتى مراقبة جودة العمل النهائي.
ترجمة المسلسلات القصيرة: بجملة وحدة كيتعرف على حوارات الشخصيات، وكيترجمها بلغة طبيعية، وكيستنسخ الصوت للدبلجة، وكيعاود يركب المسارات الصوتية ويدير مراقبة الجودة، باش يسلّم الترجمة بشكل آلي.
شرح الأفلام الطويلة: كيدخل الفيلم وطلب من جملة وحدة، وكيكمل أوتوماتيكياً فهم الفيلم كامل، واستخلاص الأحداث، وكتابة نص الشرح، وإضافة التعليق الصوتي والموسيقى، والمونتاج والرندرة ومراقبة الجودة.
Video2Note: كيحوّل ساعات من الفيديو لمذكرات PDF فيها الصور والنصوص متطابقة مع الطوابع الزمنية، وكيقوم أوتوماتيكياً بالمراجعة والتصحيح التكراري.
Omni Skill Creator: كيستخرج SOP من عروض العمليات أو دروس الخبراء، وكيحوّلو لـAgent Skill قابل لإعادة الاستعمال ومتحقق منو.
تدريب المحادثة بالوقت الحقيقي: كيبني نموذجاً مشتركاً للنطق والمعنى، كيفهم أخطاء النطق وكيولد فوراً نموذج نطق صحيح.

تابعونا فـWeChat وردّوا بكلمة «开源» باش تنضمو لمجموعة نقاش مشاريع الذكاء الاصطناعي مفتوحة المصدر
بنية موحدة أصلية متعددة الوسائط: الموديل كيبني داخل بنية وحدة نماذج مشتركة للنصوص والصور والصوت والفيديو، وكيحقق الفهم بين الوسائط عبر ترميز متوافق مع الوسائط وفضاء تمثيل موحد، مع الحفاظ على قدرات نصية مماثلة لموديل نصي خالص من نفس الحجم؛ والسياق الطويل ديال 1M token كيخليه يستوعب أصلاً ساعات من الصوت والفيديو، وكيجنب تقطع المعلومات الناتج عن المعالجة على أجزاء.
الإدراك والتحقق حسب الحاجة بطريقة Agentic: الموديل كيبدا بمسح عام باش يحدد المقاطع المحتملة، ومن بعد كيستدعي المحتوى الصوتي والمرئي المرتبط بشكل تفصيلي للتحقق، وكيبني سلسلة تحقق متعددة الجولات من العام للتفصيلي، وكيخلي الحساب وميزانية الـtoken مركّزين فالمقاطع المرتبطة فعلاً.
التنسيق بين الصوت والفيديو وبيئة Agent: العائق الرئيسي أمام تحويل الصوت والفيديو الطويل إلى Agent هو أن الـharness ما فيهش دعم أصلي للصوت والفيديو؛ لذلك طوّرات الشركة الموديل وسلسلة الأدوات بشكل متكامل: Qwen-MM-Plugins كيوفر الإدراك حسب الحاجة، واستدعاء الأدوات، وتنفيذ سيرورات العمل، وكيخدم مع أطر Agent الرئيسية بحال Claude Code وOpenClaw، وكيجمع فهم المواد، وتخطيط المهام، وتنفيذ الأدوات وتسليم النتائج فمسار كامل.
التعرف المتزامن على عدة متحدثين والصوت والصورة: الموديل كيبني نموذجاً مشتركاً للصورة والتدفق الصوتي، وكيستعمل المعلومات البصرية، بحال ظهور الأشخاص فالصورة وحالة فتح الفم، باش يعاون فحل الإحالات والالتباسات المتعلقة بالكيانات فالصوت، وكيكمل من البداية للنهاية فصل المتحدثين، وتحويل الكلام لنص، ومطابقة الهويات، وهذا حسّن بزاف مؤشرات التعرف فاجتماعات فيها تبادل الكلام بين عدة أشخاص وتداخل الأصوات.
بنية تفاعل مباشر ومتدفق: Qwen3.8-Omni-Flash-Realtime كيتلقى تدفقات الصوت والفيديو عبر WebSocket/WebRTC، وكيقوم بالإدراك والرد فـنفس وقت الإدخال، مع تأخير لأول token بحوالي 600-980ms وRTF لتوليد الصوت بحوالي 0.153؛ وتصحيح الكلام كيعتمد على البناء المشترك للنطق والمعنى، بحيث كيواصل الموديل تحديث الحكم مع وصول جولة جديدة من الصوت، وكيـميز بين الأخطاء اللي كتأثر على الفهم واللهجات الطبيعية.

الاستعمال المباشر من الويب: حلّ منصة Qwen AI من https://www.qianwenai.com/models/qwen3.8-omni-flash، وقلب على qwen3.8-omni-flash، ومن بعد حمّل فيديو أو صوت أو صورة وبدا المحادثة.
الاستدعاء عبر API: طلب API Key ديال Alibaba Cloud DashScope، واستعمل واجهة متوافقة مع OpenAI، وصيفط روابط الصور أو الصوت أو الفيديو مع السؤال النصي.
ركّب إضافة وخليه يخدم: ركّب Qwen-MM-Plugins فـClaude Code أو Qwen Code أو أدوات مشابهة، ومن بعد قول ليه بحال فالمحادثة: «@الفيديو.mp4 ديرو ليا فيديو شرح»، والذكاء الاصطناعي غادي يكمل العملية كاملة بشكل آلي.

توحيد جميع الوسائط: النصوص والصور والصوت والفيديو كاملين فموديل واحد، مع دعم سياق طويل بزاف ديال 1M، وإدخال أصلي لفيديوهات كتدوم ساعة.
من الفهم حتى التسليم: ماشي غير كيفهم الصوت والفيديو، بل كيخطط بوحدو، وكيستعمل الأدوات، وكيخرج فيديوهات ووثائق، وكيكمل المهام من البداية للنهاية.
قدرات Agent قوية: متفوق بزاف فاختبارات الصوت والفيديو الخاصة بالـAgent؛ تحسن WildClawBench-MM بـ36.5 نقطة مقارنة مع الجيل اللي فات، ووصلات المهام الطويلة لـ69.6 نقطة عالية فـUniClawBench.
الصوت متفوق على Gemini: التعرف على الكلام بـ60 لغة، و39 لهجة صينية، والتعرف على عدة متحدثين، كاملين أحسن من Gemini 3.8 Flash.
فعالية أكبر وتكلفة أقل: التحقق Agentic نقص استهلاك الـtoken ففهم الفيديوهات الطويلة بحوالي 45.7%، مع ارتفاع الدقة بدل ما تنقص.
انخفاض كبير فالثمن: نقص ثمن إدخال الصوت عبر API بأكثر من 98% فالساعة، ونقص ثمن إدخال الصوت والفيديو بأكثر من 93%، وبالتالي نقص الضغط ديال التكلفة فالاستخدام على نطاق واسع.
منظومة مفتوحة المصدر ومتكاملة: Qwen-MM-Plugins وQwen-Live Harness بجوجهم مفتوحين المصدر، ومتوافقين مع أطر Agent الرئيسية بحال Claude Code وOpenClaw.

مستودعات GitHub: Qwen-MM-Plugins: https://github.com/QwenLM/Qwen-MM-Plugins
Qwen-Live Harness: https://github.com/QwenLM/Qwen-Live-Harness

إنتاج محتوى الفيديو: دخل طلب من جملة وحدة، وغادي يكمل أوتوماتيكياً شرح الأفلام، وصناعة MV، وترجمة ودبلجة المسلسلات القصيرة من البداية للنهاية.
أدوات رفع فعالية الاجتماعات: حمّل تسجيل اجتماع مدتو ساعة، وغادي ينشئ المحضر والمهام المعلّقة أوتوماتيكياً، وحتى يقدر يصيفط الإيميلات وينشئ المهام مباشرة.
ترسيخ المعرفة والتعلم: حوّل فيديوهات تعليمية مدتها ساعات تلقائياً لمذكرات PDF فيها لقطات شاشة وطوابع زمنية.
البحث المعمق فالفيديو: كيقلب أوتوماتيكياً فالمصادر النصية والصورية على الإنترنت انطلاقاً من محتوى الفيديو، وكيولد تقرير بحث معمق ومصور.
خدمات التفاعل المباشر: التدريب على المحادثة، وخدمة الزبناء الذكية، والملاحة بالاعتماد على تحديد الاتجاه من الصوت، وغيرها من سيناريوهات التفاعل الصوتي والمرئي منخفض التأخير.