Qwen3.8-Omni-Flash Faoliyat yuritmoqda

Qwen3.8-Omni-Flash — Alibaba Qwen tomonidan ishlab chiqilgan mahalliy multimodal model bo‘lib, matn, tasvir, audio, video kiritish va 1M uzunlikdagi kontekstni qo‘llab-quvvatlaydi. U “tushunishdan yetkazib berishgacha” bo‘lgan Agent imkoniyatlariga urg‘u beradi va video montaj, MV yaratish, qisqa seriallarni tarjima qilish, filmlarga sharh berish, yig‘ilish bayonnomalarini bajarish kabi uchdan-uchgacha ish jarayonlarini mustaqil yakunlay oladi. Avvalgi avlodga nisbatan o‘rtacha 25% dan ortiq yaxshilangan, API audio kiritish narxi 98% dan ko‘proqqa pasaygan hamda Qwen-MM-Plugins va Qwen-Live Harness nomli ikkita qo‘llab-quvvatlovchi framework ochiq manbaga chiqarilgan.

Boshqariladigan audio-video Caption: foydalanuvchi tasvirlanadigan obyektni, vaqt oralig‘ini, axborot tafsilotlari darajasini va chiqish formatini erkin belgilashi mumkin. Bu “model nimani ko‘rdi” emas, balki “foydalanuvchi nimani bilmoqchi” ekanini ta’minlaydi.
Agentic uzun audio-video tushunish: model savoldan kelib chiqib qayerga qarash va nimani tinglashni mustaqil belgilaydi, qo‘pol tahlildan batafsil tahlilga o‘tuvchi ko‘p bosqichli dalillar orqali muhim ma’lumotlarni aniqlaydi. Aniqlik oshishi bilan birga token sarfi taxminan 45.7% ga kamayadi.
Uzoq yig‘ilishlarni tushunish va bajarish: bir soatlik audio-video kiritishni tabiiy ravishda qo‘llab-quvvatlaydi, so‘zlovchilarni ajratish, transkripsiya, shaxsni moslashtirish, bayonnoma yaratish va topshiriqlarni bajarishni uchdan-uchgacha amalga oshiradi.
Audio-video bo‘yicha chuqur tadqiqot: video mazmuni va foydalanuvchi ehtiyojlarini birlashtirib, multimodal materiallarni avtomatik izlaydi hamda video markazidagi, matn va tasvirlarga boy tadqiqot hisobotini yaratadi.
Music2MV: qo‘shiq tuzilishi, ritmi va hissiyotlarini nozik darajada tushunadi, vaqt belgilariga ega qo‘shiq matnini chiqaradi va musiqani tushunishdan tayyor videoni sifat nazoratidan o‘tkazishgacha bo‘lgan to‘liq MV yaratish jarayonini qamrab oladi.
Qisqa seriallar tarjimasi: bir jumla orqali qahramonlar dialogini aniqlash, so‘zlashuv uslubida tarjima qilish, ovoz tembrini klonlab dublyaj qilish, audio treklarni qayta aralashtirish va sifat nazoratini bajarib, tarjima va dublyajni avtomatlashtirilgan tarzda yetkazib beradi.
Uzun filmlarga sharh: film va bir jumlalik talab kiritilganda, butun filmni tushunish, syujetni qisqartirish, sharh matnini yozish, ovoz va musiqa qo‘shish, montaj qilish, renderlash va sifat nazoratini avtomatik bajaradi.
Video2Note: bir necha soatlik videoni tasvir va matn moslashtirilgan, vaqt belgilariga ega PDF konspektga siqadi hamda uni avtomatik ko‘rib chiqib, takroriy tuzatishlar kiritadi.
Omni Skill Creator: amaliy namoyish yoki ekspert darslaridan SOP’larni ajratib olib, tasdiqlangan va qayta foydalanish mumkin bo‘lgan Agent Skill’ga aylantiradi.
Real vaqt rejimidagi og‘zaki nutq mashqi: talaffuz va semantikani birgalikda modellashtirib, aksentdagi og‘ishlarni tushunadi va real vaqtda standart talaffuz namunasini yaratadi.

WeChat’da kuzatib, “开源” deb javob yuboring va AI ochiq manba loyihalari guruhiga qo‘shiling
Mahalliy multimodal yagona arxitektura: model yagona arxitektura doirasida matn, tasvir, audio va videoni birgalikda modellashtiradi. Modalliklarni moslashtiruvchi kodlash va yagona tasvirlash fazosi orqali multimodal tushunishni ta’minlaydi hamda o‘lchami bir xil bo‘lgan sof matn modeliga yaqin matn imkoniyatlarini saqlab qoladi. 1M tokenli uzun kontekst unga bir necha soatlik audio-video kiritishni tabiiy ravishda qabul qilish imkonini beradi va segmentlarga bo‘lib ishlash natijasidagi axborot uzilishlarining oldini oladi.
Agentic talabga muvofiq idrok va dalillash: model avval nomzod fragmentlarni aniqlash uchun qo‘pol skanerlashni amalga oshiradi, keyin tegishli audio va video mazmunini batafsil chaqirib, tekshiradi. Natijada qo‘pol tahlildan batafsil tahlilga o‘tuvchi ko‘p bosqichli dalillar zanjiri hosil bo‘ladi va hisoblash hamda token byudjeti haqiqatan muhim fragmentlarga jamlanadi.
Audio-video va Agent muhiti hamkorligi: uzun audio-video Agent’larining asosiy to‘sig‘i harness tizimlarida mahalliy audio-video qo‘llab-quvvatlovi yetishmasligidir. Shu sababli rasmiy jamoa model va vositalar zanjirini hamkorlikda rivojlantiradi: Qwen-MM-Plugins talabga muvofiq idrok, vositalardan foydalanish va ish jarayonlarini bajarish imkoniyatlarini taqdim etadi, Claude Code, OpenClaw kabi asosiy Agent framework’lariga ulanadi va materialni tushunish, vazifani rejalashtirish, vositalarni ishga tushirish hamda natijani yetkazib berishni yagona to‘liq zanjirga birlashtiradi.
Bir nechta so‘zlovchini audio va tasvir orqali hamkorlikda aniqlash: model tasvir va audio oqimlarini birgalikda modellashtiradi, audiodagi ishora va obyekt noaniqliklarini bartaraf etishga yordam berish uchun vizual ma’lumotlardan, jumladan, odamning kadrda paydo bo‘lishi va gapirayotgan holatidan foydalanadi. U so‘zlovchilarni ajratish, nutqni transkripsiya qilish va shaxsni moslashtirishni uchdan-uchgacha bajaradi. Bu bir nechta odam navbatma-navbat gapiradigan yoki ovozlar ustma-ust tushadigan yig‘ilishlarda aniqlash ko‘rsatkichlarini sezilarli yaxshilaydi.
Real vaqt rejimidagi oqimli interaktiv arxitektura: Qwen3.8-Omni-Flash-Realtime WebSocket/WebRTC orqali audio-video oqimlarini qabul qiladi va kiritish jarayonining o‘zida idrok hamda javobni amalga oshiradi. Birinchi token kechikishi taxminan 600-980ms, audio yaratish RTF ko‘rsatkichi esa taxminan 0.153 ni tashkil etadi. Og‘zaki nutqni tuzatish talaffuz va semantikaning birgalikdagi modellashtirilishiga tayanadi: model yangi nutq kelishi bilan bahosini doimiy yangilab boradi va tushunishga ta’sir qiluvchi xatolarni tabiiy aksentdan ajratadi.

Veb-saytda bevosita foydalanish: Qwen AI platformasini oching https://www.qianwenai.com/models/qwen3.8-omni-flash, qwen3.8-omni-flash ni qidiring va suhbat uchun video/audio/tasvir yuklang.
API orqali chaqirish: Alibaba Cloud DashScope API Key’ini oling, OpenAI bilan mos interfeysdan foydalaning va matnli savol bilan birga tasvir, audio yoki video havolasini yuboring.
Vazifalarni bajarishi uchun plagin o‘rnating: Claude Code, Qwen Code kabi vositalarga Qwen-MM-Plugins’ni o‘rnating, so‘ng suhbatdagidek “@video.mp4 menga sharh videosi qilib ber” deb ayting. AI butun jarayonni avtomatik yakunlaydi.

Yagona multimodal model: matn, tasvir, audio va videoni bitta model hal qiladi, 1M ultra uzun kontekstni qo‘llab-quvvatlaydi va bir soatlik uzun videoni tabiiy ravishda qabul qiladi.
Tushunishdan yetkazib berishgacha: audio-videoni shunchaki “tushunib” qolmay, mustaqil rejalashtiradi, vositalardan foydalanadi, tayyor video va hujjatlar yaratadi hamda uchdan-uchgacha vazifalarni bajaradi.
Agent imkoniyatlari kuchli: audio-video Agent benchmarklarida sezilarli ustunlikka ega. WildClawBench-MM ko‘rsatkichi avvalgi avlodga nisbatan 36.5 ballga oshgan, uzoq muddatli vazifalarda esa UniClawBench bo‘yicha 69.6 yuqori natijaga erishgan.
Audio imkoniyatlari Gemini’dan ustun: 60 ta tilda nutqni tanish, 39 xil xitoy lahjasi va bir nechta so‘zlovchini aniqlash ko‘rsatkichlarida Gemini 3.8 Flash’dan to‘liq ustun.
Samaraliroq va tejamkorroq: Agentic dalillash uzoq videolarni tushunishda token sarfini taxminan 45.7% ga kamaytiradi, aniqlik esa pasaymaydi, aksincha oshadi.
Narx sezilarli pasaygan: API orqali audio kiritish narxi 98% dan ko‘proqqa, audio-video kiritish narxi esa 93% dan ko‘proqqa kamaygan va keng ko‘lamli foydalanish xarajatlari ancha qisqargan.
Ochiq manbali qo‘llab-quvvatlovchi vositalar to‘liq: Qwen-MM-Plugins va Qwen-Live Harness to‘liq ochiq manbaga chiqarilgan hamda Claude Code, OpenClaw kabi asosiy Agent framework’lari bilan mos keladi.

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

Video kontent yaratish: bir jumlalik talabni kiritib, filmga sharh berish, MV yaratish, qisqa seriallarni tarjima va dublyaj qilishni uchdan-uchgacha avtomatik yakunlaydi.
Yig‘ilish samaradorligi vositasi: bir soatlik yig‘ilish yozuvini yuklab, bayonnoma va topshiriqlarni avtomatik yaratadi, hatto elektron xat yuboradi va vazifa ochadi.
Bilimlarni o‘zlashtirish: bir necha soatlik dars videolarini skrinshotlar va vaqt belgilariga ega PDF konspektlarga avtomatik siqadi.
Video bo‘yicha chuqur tadqiqot: video mazmuni uchun butun internetdan matn va tasvir materiallarini avtomatik izlaydi hamda matn va tasvirlarga boy chuqur tadqiqot hisobotini yaratadi.
Real vaqt rejimidagi interaktiv xizmatlar: real vaqt rejimidagi og‘zaki nutq mashqi, aqlli mijozlarga xizmat ko‘rsatish, ovoz orqali yo‘nalishni aniqlash va navigatsiya kabi past kechikishli audio-video interaktiv ssenariylar.