Qwen3.8 Omni Flashで音声処理費98%減 EC動画3論点

齋藤竹紘2026年9月20日2026年9月20日AIニュース

アリババが2026年9月18日、音声と映像を同時処理するAIモデル Qwen3.8-Omni-Flash を公開しました。

入力100万トークンあたり0.15ドル、音声入力は1時間あたり0.01ドル未満という価格設定で、性能面では Gemini 3.8 Flash に匹敵するとアリババは説明しています。ライブコマースのアーカイブ、商品紹介動画、電話問い合わせの録音といった「これまでコストが合わずに放置していた音声・映像資産」が、はじめて処理対象の候補に入ってきました。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。

Qwen3.8 Omni Flashの価格とベンチマークで何が起きたか

結論から書きますと、今回の発表の本体は性能ではなく価格です。The Decoderによると、Qwen3.8-Omni-Flash のAPI価格は入力が100万トークンあたり0.15ドル、出力が0.47ドルです。比較対象の Gemini 3.8 Flash は導入価格として入力0.75ドル、出力3.75ドルで、2027年1月1日に倍額へ改定される予定とされています。入力で5倍、出力で約8倍の開きがあり、改定後はさらに差が広がる計算になります。

アリババは実務に近い単位でも数字を出しています。音声入力は1時間あたり0.01ドル未満、720pで毎秒1フレームの映像に音声を足した場合でも1時間あたり約0.20ドルとしています。いずれも応答（出力）側のコストは含まない数値です。1ドル150円で換算すれば映像1時間で約30円ですが、為替は変動しますので換算値はあくまで目安として見てください。

性能については、Qwen3.8-Omni-Flash の公式発表を紹介したGIGAZINEの記事に具体的なスコアが並んでいます。29のベンチマーク平均で前世代の Qwen3.5-Omni-Plus を25%以上上回り、音声入力の時間あたりAPIコストは98%超、音声と映像を合わせた入力では93%超の削減になったとしています。個別スコアでは長時間音声の理解を測る LongAudioSpan が82.7、音声と映像を組み合わせた推論を測る OmniVideoBench が63.4、多人数会議音声の書き起こしを測る AliMeeting が89.7で、複数の音声系ベンチマークで Gemini 3.8 Flash を上回ったと説明されています。

コンテキストウィンドウは100万トークンで、音声認識は日本語を含む74言語、音声生成は日本語を含む29言語に対応します。提供形態は Qwen Studio、Qwen Cloud、およびAlibaba Cloud Model Studio のAPIの3系統です。あわせて、動画編集や話者認識をエージェントから呼び出せるQwen-MM-Pluginsが拡張され、リアルタイム対話用のQwen-Live Harnessも公開されています。ただし GIGAZINE の執筆時点では Qwen-Live Harness のGitHubページが404になっていたとの記載があり、公開状況は要確認です。

なお、ここまでのベンチマーク数値はいずれもアリババ自身の公表値です。第三者による独立検証はこれからですので、導入判断の前に自社データでの検証が必要である点は押さえておいてください。

日本のEC事業者にとっての論点は「単価」ではなく「対象が増えること」

日本のEC事業者にとっての本当の変化は、安くなったこと自体ではなく、処理対象にできる素材の範囲が広がることです。音声や映像のAI処理は、これまで「重要な1本だけ選んで回す」使い方が前提でした。1時間あたり数十円の水準になると、選別せず全部流すという運用が成立します。

具体的に変わるのは3つの領域です。第一にライブコマースです。楽天市場やYahoo!ショッピング、自社ECでライブ配信を続けている店舗は、配信アーカイブがそのまま死蔵されがちです。音声と映像を同時に理解できるモデルであれば、「商品Aを紹介している区間」「視聴者コメントに答えている区間」を切り出して短尺動画やFAQの原稿に転用する処理が、1配信あたり数十円規模で回せます。この領域はGemini 3.8 Live で音声接客のコストが下がった件と地続きで、選択肢が1社増えた形です。

第二に電話とカスタマーサポートです。音声入力が1時間あたり0.01ドル未満であれば、入電の全件書き起こしと要約が現実的な原価に収まります。従来は「クレーム案件だけ聞き直す」運用だったところを、全件を対象に「同じ商品についての質問が今週何件あったか」を機械的に集計できるようになります。商品ページの改善点は、レビューよりも電話とチャットに先に出ることが多く、ここを取りこぼさない体制の価値は小さくありません。

第三に越境ECです。音声生成が日本語を含む29言語に対応しているため、既存の日本語商品動画にナレーションを差し替えて他言語版を作る、という作り方ができます。映像を撮り直さずに言語だけ増やす発想は、商品動画の生成コストが下がったときにも同じ論点として挙げましたが、音声生成まで同一モデルで完結する点が今回の違いです。

一方で慎重に見るべき点もあります。Qwen3.8-Omni-Flash はアリババのクラウド基盤で提供されるモデルです。顧客の通話音声や購入履歴を含む素材を扱う場合、個人情報保護法における第三者提供と外国にある第三者への提供の整理が必要になります。自社のプライバシーポリシーと利用目的の記載で足りるかどうかは、法務またはプライバシー保護の専門家への確認が要ります。ここは価格だけで判断してよい領域ではありません。

今週からできる初動3つ

最初にやるべきは、捨てても困らない素材で1本だけ試すことです。過去のライブ配信アーカイブや、すでに公開済みの商品紹介動画のように、顧客の個人情報を含まない素材を1本選び、要約と区間の切り出しを走らせて出力の質を確かめます。ここで使い物にならなければ、その先の検討は不要です。

次に、自社のKPIに単価を翻訳します。1時間あたり0.20ドルという数字のままでは意思決定に使えません。「ライブ1配信あたり何円か」「月間の入電時間を全件処理すると月額いくらか」まで自社の実数で置き換えると、導入の可否が一段で判断できます。あわせて、同じ処理を Qwen3.8 Flash Next のときに検討したコスト感や現行の利用モデルと並べ、切り替えるべきか併用すべきかを整理します。

3つ目に、入れてよい素材と入れてはいけない素材の線引きを、検証を始める前に決めておきます。顧客の氏名・電話番号・住所が音声に含まれる録音を、どの範囲までクラウドに送るのか。マスキングの工程を挟むのか。この線引きを後回しにすると、検証が進んだ段階で止まることになります。ルールを先に1枚の文書にしておくほうが、結局は早く進みます。

まとめ

Qwen3.8-Omni-Flash は、音声と映像のAI処理を「選んだ1本だけ」から「全部流す」へ移す価格を提示しました。入力100万トークン0.15ドル、音声1時間0.01ドル未満という水準は、ライブコマースのアーカイブ活用、入電の全件解析、越境向け多言語ナレーションという3つの領域で運用の前提を変えます。ただしベンチマークはアリババの自社公表値であり、顧客音声を扱う際の越境移転の整理も残ります。捨てても困らない素材で1本試し、自社KPIに単価を翻訳し、扱ってよい素材の線引きを先に決める。この順番で進めるのが安全です。

参考文献

※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/

引用元: The Decoder

【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）

齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。

投稿者: 齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。齋藤竹紘のすべての投稿を表示