Qwen3.8-Omni-Flash: Alibaba senkt den Preis für Audio- und Videoauswertung drastisch

Alibabas Qwen-Team hat am 18. September 2026 Qwen3.8-Omni-Flash veröffentlicht, ein Modell, das Text, Bilder, Audio und Video gemeinsam verarbeitet und als Antwort Text ausgibt. Es ist als Arbeitsmodell für Agenten gedacht: Es hört und sieht nicht nur zu, sondern zieht Schlüsse aus dem Material und ruft selbstständig Werkzeuge auf, etwa um ein Video zu schneiden, einen Clip zu übersetzen oder einen Film zusammenzufassen.

Interessant ist weniger die Funktionsliste als der Preis. Die Eingabe kostet 0,15 Dollar je Million TokenTokenKleinste Texteinheit, in der KI-Modelle rechnen und abgerechnet werden.Im Glossar ansehen →, die Ausgabe 0,47 Dollar, Treffer im Zwischenspeicher liegen bei 0,016 Dollar. Gegenüber der Vorgängergeneration Qwen3.5-Omni-Plus sind die Kosten für Audioeingaben um rund 98 Prozent gefallen, für kombinierte Ton- und Bildeingaben um über 93 Prozent. Eine Stunde Tonmaterial liegt damit im Bereich von unter einem US-Cent.

Der Abstand zum bisherigen Preisführer

Zum Vergleich: Gemini 3.8 Flash, Googles günstiges Arbeitsmodell, kostet 0,75 Dollar je Million Eingabe-Token und 3,75 Dollar je Million Ausgabe-Token, und diese Preise sollen sich zum 1. Januar 2027 verdoppeln. Bei den Ausgabe-Token liegt Alibaba damit knapp unter einem Achtel des Google-Preises.

Nach Alibabas eigenen Messungen erreicht das Modell bei Ton- und Videoaufgaben ein Niveau, das mit GeminiGeminiGoogles KI-Modell- und Assistenten-Familie.Im Glossar ansehen → 3.8 Flash vergleichbar ist. Über 29 Prüfläufe hinweg meldet das Unternehmen im Schnitt mehr als 25 Prozent Verbesserung gegenüber dem Vorgängermodell, auf dem Testsatz WildClawBench-MM 36,5 Punkte mehr, auf AgenticVBench 22,3 Punkte mehr. Unabhängige Messungen Dritter liegen bislang nicht vor, die Zahlen stammen vom Hersteller.

Technisch verarbeitet das Modell bis zu eine Million Token Kontext, davon maximal rund 991.000 als Eingabe. Videos sind bis zu zwei Stunden oder zwei Gigabyte möglich, Tonaufnahmen bis drei Stunden, unterstützt werden 113 Sprachen. Eine Funktion namens agentische Wahrnehmung lässt das Modell gezielt in Videoabschnitte hineinschauen, statt jedes Einzelbild gleich intensiv zu verarbeiten: Auf dem Testsatz OmniVideoBench steigt die Trefferquote von 63,4 auf 67,8 Prozent, während der Tokenverbrauch um rund 45,7 Prozent sinkt.

Verfügbar nur über die Schnittstelle

Anders als bei früheren Qwen-Veröffentlichungen gibt es keine offenen Gewichte. Das Modell läuft ausschließlich über die Schnittstellen von QwenCloud, Alibaba Cloud Model Studio und Qwen Studio, angesprochen wird es wahlweise über das OpenAI-kompatible Protokoll oder Alibabas eigenes DashScope. Selbst betreiben lässt es sich nicht.

Offen gelegt wurde lediglich das Werkzeugpaket Qwen-MM-Plugins unter Apache-2.0-Lizenz, das Funktionen wie Video zu Notizen oder Videoübersetzung bereitstellt. Die Basis, auf der das Modell aufsetzt, ist Qwen3.8-Flash-Next aus dem August 2026, das mit offenen Gewichten erschienen war. Für europäische Unternehmen ist die reine Schnittstellenlösung der entscheidende Unterschied: Das Material verlässt das Haus und landet bei einem chinesischen Anbieter.

Der Preisabstand ändert die Rechnung für Aufgaben, die bisher zu teuer für eine Automatisierung waren. Die Frage, wohin die Aufnahmen dabei fließen, ändert er nicht.

Wo der Unterschied praktisch wird

Ton- und Videoauswertung war bisher der teure Teil der Automatisierung. Bei Preisen im Bereich weniger Cent je Stunde verschieben sich die Anwendungsfälle, für die sich eine Automatisierung überhaupt rechnet: Protokolle aus Besprechungen, Auswertung von Servicetelefonaten, Sichtung von Schulungs- und Produktvideos, Prüfung von Aufnahmen aus der Fertigung.

Zugleich gilt für Aufnahmen von Personen die Datenschutz-Grundverordnung in vollem Umfang. Stimmen und Gesichter sind personenbezogene Daten, Tonaufnahmen von Gesprächen berühren zusätzlich das Persönlichkeitsrecht der Beteiligten. Eine Verarbeitung über einen Anbieter außerhalb der EU braucht eine Rechtsgrundlage, einen Auftragsverarbeitungsvertrag und eine belastbare Regelung für den Drittlandtransfer. Für China fehlt ein Angemessenheitsbeschluss der EU-Kommission, entsprechende Übermittlungen sind also aufwendig abzusichern.

Praktikabel ist deshalb oft eine Zweiteilung: unkritisches Material, etwa eigene Produktvideos, Schulungsaufzeichnungen oder öffentlich verfügbare Inhalte, über das günstige Modell. Personenbezogenes Material über ein europäisch gehostetes oder selbst betriebenes Modell, auch wenn es je Stunde mehr kostet.

Was das für Ihr Unternehmen heißt

• Rechnen Sie Ihre Mengen einmal konkret durch. Stunden Tonmaterial pro Monat mal Preis je Stunde ergibt eine Zahl, die häufig unter den Kosten der manuellen Bearbeitung liegt. Erst diese Zahl macht die Entscheidung greifbar.
• Sortieren Sie Ihr Material nach Schutzbedarf. Trennen Sie vor der Technikauswahl, welche Aufnahmen personenbezogen sind und welche nicht. Danach richtet sich, welches Modell überhaupt infrage kommt.
• Testen Sie mit Ihrem eigenen Material. Herstellerzahlen sagen wenig über Dialekte, Fachbegriffe und Hintergrundgeräusche in Ihrem Betrieb. Zwanzig echte Aufnahmen zeigen mehr als jede Testtabelle.
• Halten Sie die Anbindung austauschbar. Ein OpenAI-kompatibler Endpunkt lässt sich schnell wechseln, wenn Sie Ihre Anwendung nicht direkt gegen Anbieterbesonderheiten schreiben.
• Behalten Sie den Preis im Blick. Die derzeitigen Preise sind Markteintrittspreise, in beide Richtungen beweglich. Ein Kostenmodell, das nur heutige Listen kennt, trägt nicht über die Projektlaufzeit.

Wenn Sie prüfen möchten, welche Ton- und Videoauswertungen sich in Ihrem Betrieb automatisieren lassen und welches Modell dafür datenschutzrechtlich passt, sprechen Sie uns an.