Qwen3.8-Omni-Flash آپریشن میں

Qwen3.8-Omni-Flash علی بابا کے Qwen کی جانب سے پیش کیا گیا مقامی ملٹی موڈل ماڈل ہے، جو متن، تصاویر، آڈیو، ویڈیو اور 1M طویل سیاقی معلومات کو سپورٹ کرتا ہے۔ اس کی توجہ ”سمجھ سے نتیجے تک“ Agent صلاحیتوں پر ہے، اور یہ خودکار طور پر ویڈیو ایڈیٹنگ، MV تخلیق، مختصر ڈراموں کا ترجمہ، فلمی تبصرہ، اجلاس کے خلاصے سے کارروائی تک مکمل اینڈ ٹو اینڈ ورک فلو انجام دے سکتا ہے۔ پچھلی نسل کے مقابلے میں اوسط کارکردگی میں 25% سے زیادہ اضافہ ہوا ہے، API آڈیو ان پٹ کی قیمت میں 98% سے زیادہ کمی کی گئی ہے، جبکہ Qwen-MM-Plugins اور Qwen-Live Harness کے نام سے دو معاون فریم ورک بھی اوپن سورس کیے گئے ہیں۔

قابلِ کنٹرول آڈیو ویڈیو Caption: صارف وضاحت کے موضوع، وقت کی حد، معلومات کی تفصیل اور آؤٹ پٹ فارمیٹ کو آزادانہ طور پر متعین کر سکتا ہے، تاکہ ”صارف کیا جاننا چاہتا ہے“ پر توجہ دی جائے، نہ کہ صرف ”ماڈل نے کیا دیکھا“۔
Agentic طویل آڈیو ویڈیو فہم: سوال سے آغاز کرتے ہوئے یہ خود طے کرتا ہے کہ کہاں دیکھنا اور کیا سننا ہے، پھر موٹے سے باریک انداز میں متعدد مراحل کی جانچ کے ذریعے اہم معلومات تلاش کرتا ہے۔ اس سے درستگی بڑھتی ہے اور token استعمال تقریباً 45.7% کم ہو جاتا ہے۔
طویل اجلاس کی سمجھ اور عمل درآمد: ایک گھنٹے کے آڈیو ویڈیو ان پٹ کو مقامی طور پر سپورٹ کرتا ہے، اور اسپیکر کی تقسیم، نقل نویسی، شناخت کی مطابقت، خلاصہ سازی اور زیرِ التوا کاموں کے نفاذ کو اینڈ ٹو اینڈ مکمل کرتا ہے۔
آڈیو ویڈیو کی گہری تحقیق: ویڈیو کے مواد اور صارف کی ضرورت کو یکجا کر کے ملٹی موڈل مواد خودکار طور پر تلاش کرتا ہے اور ویڈیو مرکز پر مبنی، متن و تصاویر سے مزین تحقیقی رپورٹ تیار کرتا ہے۔
Music2MV: گانے کی ساخت، ردھم اور جذبات کو باریک بینی سے سمجھتا ہے، ٹائم اسٹیمپ والے بول تیار کرتا ہے، اور موسیقی کی سمجھ سے لے کر تیار شدہ ویڈیو کے معیار کے جائزے تک مکمل MV تخلیقی عمل انجام دیتا ہے۔
مختصر ڈراموں کا ترجمہ: ایک جملے میں کرداروں کے مکالموں کی شناخت، بول چال کا ترجمہ، آواز کے رنگ کی نقل کے ساتھ ڈبنگ، آڈیو ٹریک کی دوبارہ آمیزش اور معیار کا جائزہ مکمل کرتا ہے، جس سے ترجمہ شدہ مواد کی خودکار فراہمی ممکن ہوتی ہے۔
طویل فلم کا تبصرہ: فلم اور ایک جملے کی ضرورت دینے پر پوری فلم کو سمجھنا، پلاٹ کا خلاصہ، تبصرے کا متن، وائس اوور، موسیقی، ایڈیٹنگ، رینڈرنگ اور معیار کا جائزہ خودکار طور پر مکمل کرتا ہے۔
Video2Note: کئی گھنٹوں کی ویڈیو کو تصاویر اور متن سے ہم آہنگ، ٹائم اسٹیمپ والے PDF نوٹس میں تبدیل کرتا ہے اور خودکار جائزے، تکرار اور اصلاح کے مراحل انجام دیتا ہے۔
Omni Skill Creator: آپریشن کے مظاہرے یا ماہر کی تدریس سے SOP اخذ کر کے اسے جانچے ہوئے، دوبارہ استعمال کے قابل Agent Skill میں تبدیل کرتا ہے۔
ریئل ٹائم بول چال کی مشق: تلفظ اور معنی کی مشترکہ ماڈلنگ کے ذریعے لہجے کی خامیوں کو سمجھتا ہے اور حقیقی وقت میں معیاری تلفظ کی مثال تیار کرتا ہے۔

WeChat پر فالو کریں اور ”开源“ کا جواب بھیج کر AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
مقامی متحدہ ملٹی موڈل معماری: ماڈل ایک ہی معماری میں متن، تصاویر، آڈیو اور ویڈیو کی مشترکہ ماڈلنگ کرتا ہے۔ موڈل الائنمنٹ کی انکوڈنگ اور متحدہ نمائندگی کی جگہ کے ذریعے بین الموڈل فہم حاصل کرتا ہے، جبکہ اسی سائز کے خالص متنی ماڈل کے برابر متنی صلاحیت برقرار رکھتا ہے۔ 1M token کا طویل سیاق اسے کئی گھنٹوں کے آڈیو ویڈیو ان پٹ کو مقامی طور پر سمیٹنے دیتا ہے، جس سے حصوں میں تقسیم کر کے کارروائی کے نتیجے میں معلومات کے ٹوٹنے سے بچا جا سکتا ہے۔
Agentic ضرورت کے مطابق ادراک اور جانچ: ماڈل پہلے موٹے درجے پر اسکین کر کے ممکنہ حصے تلاش کرتا ہے، پھر متعلقہ آڈیو اور ویڈیو مواد کو باریک درجے پر حاصل کر کے تصدیق کرتا ہے۔ اس طرح موٹے سے باریک متعدد مراحل پر مشتمل جانچ کا سلسلہ بنتا ہے اور حسابی وسائل و token بجٹ حقیقی طور پر متعلقہ حصوں پر مرکوز رہتے ہیں۔
آڈیو ویڈیو اور Agent ماحول میں ہم آہنگی: طویل آڈیو ویڈیو کو Agent میں تبدیل کرنے کی رکاوٹ یہ ہے کہ harness میں مقامی آڈیو ویڈیو سپورٹ موجود نہیں۔ اسی لیے سرکاری حل ماڈل اور ٹول چین کی مشترکہ پیش رفت پر مبنی ہے: Qwen-MM-Plugins ضرورت کے مطابق ادراک، ٹول کالنگ اور ورک فلو کے نفاذ کی صلاحیت فراہم کرتا ہے، Claude Code، OpenClaw اور دیگر معروف Agent فریم ورک سے منسلک ہو کر مواد کی سمجھ، کام کی منصوبہ بندی، ٹول کے نفاذ اور نتیجے کی فراہمی کو ایک مکمل سلسلے میں جوڑتا ہے۔
متعدد اسپیکروں کی آڈیو ویڈیو ہم آہنگ شناخت: ماڈل منظر اور آڈیو اسٹریم کی مشترکہ ماڈلنگ کرتا ہے، اور بصری معلومات، جیسے کسی شخص کا منظر میں نظر آنا اور بولنے کی حالت، استعمال کر کے آڈیو میں موجود حوالہ جاتی اور ہستی سے متعلق ابہام کو دور کرتا ہے۔ یہ اسپیکر کی تقسیم، تقریر کی نقل نویسی اور شناخت کی مطابقت کو اینڈ ٹو اینڈ مکمل کرتا ہے، جس سے متعدد افراد کے باری باری بولنے اور آوازوں کے اوورلیپ والے اجلاسوں میں شناخت کے نتائج نمایاں طور پر بہتر ہوتے ہیں۔
ریئل ٹائم اسٹریمنگ تعامل کی معماری: Qwen3.8-Omni-Flash-Realtime WebSocket/WebRTC کے ذریعے آڈیو ویڈیو اسٹریم وصول کرتا ہے اور ان پٹ کے ساتھ ہی ادراک و جواب مکمل کرتا ہے۔ پہلے token کی تاخیر تقریباً 600-980ms اور آڈیو جنریشن RTF تقریباً 0.153 ہے۔ بول چال کی اصلاح تلفظ اور معنی کی مشترکہ ماڈلنگ پر منحصر ہے؛ ماڈل نئی آواز آنے پر اپنا فیصلہ مسلسل تازہ کرتا ہے اور سمجھ میں رکاوٹ ڈالنے والی غلطیوں کو قدرتی لہجے سے الگ کرتا ہے۔

ویب پر براہِ راست استعمال: Qwen AI پلیٹ فارم https://www.qianwenai.com/models/qwen3.8-omni-flash کھولیں، qwen3.8-omni-flash تلاش کریں، پھر ویڈیو، آڈیو یا تصویر اپ لوڈ کر کے گفتگو کریں۔
API کال: Alibaba Cloud DashScope کی API Key حاصل کریں، OpenAI کے ساتھ مطابقت رکھنے والے انٹرفیس کے ذریعے کال کریں، اور تصویر، آڈیو یا ویڈیو کا لنک متن پر مبنی سوال کے ساتھ بھیج دیں۔
پلگ اِن انسٹال کر کے کام کروائیں: Claude Code، Qwen Code اور دیگر ٹولز میں Qwen-MM-Plugins انسٹال کریں، پھر چیٹ کی طرح کہیں ”@ویڈیو.mp4 اسے میرے لیے تبصرے کی ویڈیو میں تبدیل کرو“، اور AI خودکار طور پر پورا عمل مکمل کر دے گا۔

متحدہ ملٹی موڈل صلاحیت: متن، تصویر، آڈیو اور ویڈیو ایک ہی ماڈل سے، 1M کے انتہائی طویل سیاق کی سپورٹ کے ساتھ؛ ایک گھنٹے کی طویل ویڈیو مقامی طور پر ان پٹ دی جا سکتی ہے۔
سمجھ سے نتیجے تک: صرف آڈیو ویڈیو کو ”سمجھنے“ تک محدود نہیں، بلکہ خود منصوبہ بندی، ٹول کالنگ اور تیار شدہ ویڈیو و دستاویزات کی تیاری کے ذریعے اینڈ ٹو اینڈ کام مکمل کرتا ہے۔
نمایاں Agent صلاحیت: آڈیو ویڈیو Agent کے بینچ مارک میں نمایاں برتری؛ WildClawBench-MM میں پچھلی نسل کے مقابلے میں 36.5 پوائنٹس اضافہ، جبکہ طویل مدتی کاموں میں UniClawBench پر 69.6 کا بلند اسکور۔
آڈیو صلاحیت Gemini سے بہتر: 60 زبانوں کی تقریر کی شناخت، 39 چینی لہجوں اور متعدد اسپیکروں کی شناخت میں تمام اشاریوں پر Gemini 3.8 Flash سے بہتر۔
زیادہ مؤثر اور کم خرچ: Agentic جانچ سے طویل ویڈیو سمجھنے میں token استعمال تقریباً 45.7% کم ہوتا ہے، جبکہ درستگی کم ہونے کے بجائے بڑھتی ہے۔
قیمت میں نمایاں کمی: API آڈیو ان پٹ کی فی گھنٹہ قیمت میں 98% سے زیادہ، اور آڈیو ویڈیو ان پٹ کی قیمت میں 93% سے زیادہ کمی، جس سے بڑے پیمانے پر استعمال کی لاگت کا دباؤ کم ہوتا ہے۔
مکمل اوپن سورس معاونت: Qwen-MM-Plugins اور Qwen-Live Harness دونوں اوپن سورس ہیں اور Claude Code، OpenClaw سمیت معروف Agent فریم ورک کے ساتھ مطابقت رکھتے ہیں۔

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

ویڈیو مواد کی تیاری: ایک جملے میں ضرورت بتائیں، اور فلمی تبصرہ، MV کی تیاری یا مختصر ڈرامے کی ترجمہ شدہ ڈبنگ کی مکمل اینڈ ٹو اینڈ فراہمی خودکار طور پر حاصل کریں۔
اجلاس کی کارکردگی کے ٹولز: ایک گھنٹے کی اجلاس کی ریکارڈنگ اپ لوڈ کریں، اور خودکار طور پر خلاصہ و زیرِ التوا کام تیار کریں، حتیٰ کہ ای میل بھیجیں اور کام تخلیق کریں۔
تعلم اور علم کا ذخیرہ: کئی گھنٹوں کے تدریسی ویڈیوز کو اسکرین شاٹس اور ٹائم اسٹیمپس والے PDF نوٹس میں خودکار طور پر تبدیل کریں۔
ویڈیو کی گہری تحقیق: ویڈیو کے مواد کے مطابق پورے ویب سے متعلقہ متنی و تصویری مواد خودکار طور پر تلاش کریں اور متن و تصاویر سے مزین گہری تحقیقی رپورٹ تیار کریں۔
ریئل ٹائم تعامل کی خدمات: ریئل ٹائم بول چال کی مشق، ذہین کسٹمر سروس، آواز سے سمت شناسی اور کم تاخیر والے دیگر آڈیو ویڈیو تعامل کے منظرنامے۔