가격은 5분의 1인데 오디오는 더 잘 알아듣는다…중국 AI 기업의 도전장

알리바바 큐원(Qwen) 팀이 9월 18일(현지시각) 옴니모달 에이전트 모델 큐원3.8-옴니-플래시(Qwen3.8-Omni-Flash)를 공개했다. 텍스트·이미지·오디오·영상을 한꺼번에 입력받아 스스로 계획을 세우고 도구를 실행해 결과물을 내놓는, 큐원 팀 표현으로는 “첫 에이전트형 옴니모달 모델”이다. 큐원 팀은 오디오·영상 이해 성능이 구글 제미나이 3.8 플래시(Gemini 3.8 Flash)에 근접하거나 일부 영역에서는 이를 웃돈다고 밝혔다.

API 가격은 입력 100만 토큰당 0.15달러, 출력 100만 토큰당 0.47달러로 책정됐다. 제미나이 3.8 플래시의 도입가(입력 0.75달러·출력 3.75달러)보다 크게 낮은 수준이다.

텍스트·이미지·오디오·영상을 한 모델로

새 모델은 지난 8월 오픈웨이트로 공개된 큐원3.8-플래시-넥스트(Qwen3.8-Flash-Next) 아키텍처를 기반으로 만들어졌다. 다만 큐원3.8-옴니-플래시 자체는 가중치를 공개하지 않고 API 형태로만 제공된다. 큐원클라우드(QwenCloud), 알리바바 클라우드 모델 스튜디오, 큐원 스튜디오를 통해 호스팅 API로 이용할 수 있고 베이징·싱가포르·홍콩·도쿄·프랑크푸르트·버지니아 등 6개 리전에서 쓸 수 있다.

컨텍스트 윈도우(모델이 한 번에 처리할 수 있는 텍스트 분량)는 100만 토큰이다. 큐원클라우드 기준 최대 입력은 99만1000 토큰, 최대 출력은 13만1000 토큰이며 추론 과정에 쓸 수 있는 최대 길이는 26만2000 토큰이다. 영상 파일은 URL 기준 최대 2시간·2GB까지, 오디오 파일은 최대 3시간까지 입력할 수 있다.

출력은 텍스트로만 나오며, 음성 생성이 필요한 작업은 이전 모델인 큐원3.5-옴니(Qwen3.5-Omni)로 안내된다. 추론(사고) 기능은 기본으로 켜져 있고 추론 강도는 최고 수준으로 설정돼 있으며 필요하면 끌 수 있다. API는 대시스코프와 오픈AI 프로토콜을 모두 지원해 챗 컴플리션과 리스폰스 API로 호출할 수 있고, 함수 호출·웹 검색·구조화된 출력·컨텍스트 캐싱·배치 호출 기능도 함께 제공된다.

제미나이보다 저렴한 가격, 이전 모델보다도 대폭 낮췄다

큐원 팀은 오디오 입력 비용이 시간당 0.01달러 미만이라고 설명했다. 초당 1프레임으로 샘플링한 720p 영상에 오디오를 더한 입력은 응답 생성 비용을 제외하고 시간당 약 0.20달러 수준이라고 덧붙였다. 제미나이 3.8 플래시는 도입 가격 기준 입력 100만 토큰당 0.75달러, 출력 100만 토큰당 3.75달러를 받고 있으며 이 요금은 2027년 1월 1일부터 두 배로 오를 예정이다.

이전 세대인 큐원3.5-옴니-플러스 대비로도 가격이 크게 낮아졌다. 큐원 팀에 따르면 오디오 입력 비용은 시간당 기준 98% 이상 줄었고, 오디오·영상을 함께 입력하는 비용은 93% 이상 낮아졌다. 큐원 공식 X(트위터) 계정은 영상 입력 비용 절감폭을 약 89%로 소개했다. 이미 캐시된 내용을 다시 불러오는 임플리시트 캐시 적중 비용은 100만 토큰당 0.016달러다.

벤치마크 29개서 25% 개선…긴 영상은 필요한 구간만 골라본다

큐원 팀은 29개 평가 항목의 평균 점수가 큐원3.5-옴니-플러스보다 25% 이상 높아졌다고 밝혔다. 에이전트형 음성·영상 작업을 측정하는 와일드클로벤치-MM에서는 71.0점을 기록해 이전 모델보다 36.5점 올랐고, 유니클로벤치에서는 69.6점을 받았다. 에이전트브이벤치는 22.3점 개선됐다.

긴 오디오 이해력을 측정하는 롱오디오스팬은 82.7점으로 8.3점 올랐다. 음성·영상 협업 추론 능력을 보는 옴니비디오벤치는 이전보다 9.6점 오른 63.4점을 기록했다. 영상 캡션 생성 시 지시를 따르는 능력을 평가하는 옴니캡-IF는 28.2점을 받았고 세부 지표인 CSR·ISR은 각각 8.5점, 14.1점 올랐다. 중국어 다자간 회의 음성을 전사하는 알리미팅은 89.7점, 데일리옴니 85.1점, 스트리밍벤치 80.8점, SWE-벤치 프로 63.3점, 라이브코드벤치 v6 92.6점, 코워크벤치 75.3점도 함께 공개됐다.

큐원 연구팀은 긴 영상을 처리하는 새 방식도 소개했다. 기존 영상 모델 대부분은 답이 3분짜리 구간에 있어도 파일 전체를 처음부터 끝까지 훑는다. 반면 큐원3.8-옴니-플래시의 에이전트는 질문에서 출발해 무엇을 보고 들을지 스스로 결정하고, 거칠게 훑은 뒤 점점 세밀하게 파고드는 여러 라운드를 거쳐 근거를 모은다. 이 방식을 적용한 결과 옴니비디오벤치 정확도는 63.4에서 67.8로 올랐고 토큰 사용량은 14만5736개에서 7만9117개로 약 45.7% 줄었다.

큐원 팀은 오디오·영상 성능이 제미나이 3.8 플래시에 근접하고, 오디오 성능만 놓고 보면 제미나이 3.8 플래시를 웃돈다고 설명했다. 다만 이 수치들은 모두 큐원 팀이 자체적으로 측정한 결과이며, 공개 시점까지 독립된 제3자의 검증 결과는 나오지 않았다는 점은 짚어둘 필요가 있다.

회의록 작성부터 영상 번역까지, 에이전트 생태계 확장

큐원3.8-옴니-플래시는 최대 1시간 분량의 회의 음성·영상을 입력받아 화자를 구분하고 발언을 전사해 회의록을 작성하며 실행 항목과 프로젝트 위험까지 분석할 수 있다. 도구와 연결하면 이메일 발송, 업무 정리, 코딩 착수까지 이어서 처리한다. 음악을 분석해 뮤직비디오를 기획·제작하거나, 영상 번역 작업에서 전사·번역·음성 복제·더빙·오디오 믹싱·최종 검수까지 처리하는 워크플로도 지원한다. 장편 영화의 경우 줄거리 추출, 대본 기획, 보이스오버, 음악, 편집, 렌더링, 최종 품질 확인까지 에이전트가 맡을 수 있다고 큐원 팀은 설명했다.

실시간 상호작용용 큐원3.8-옴니-플래시-리얼타임도 함께 나왔다. 카메라와 마이크로 실시간 대화를 처리하며, 시각 정보와 공간 음향을 결합해 소리가 나는 방향을 파악해 위치 안내에 활용할 수 있다고 큐원 팀은 밝혔다. 음성 인식은 74개 언어, 음성 생성은 29개 언어를 지원하며 오디오 입력 자체는 113개 언어·방언까지 지원 범위를 넓혔다.

큐원 팀은 아파치 2.0 라이선스로 큐원-엠엠-플러그인스와 큐원-라이브 하니스를 오픈소스로 공개했다. 큐원-엠엠-플러그인스는 각 기능을 스킬과 선택적 MCP 서버 형태로 설치해 클로드 코드, 코드버디, 코덱스, 코더, 오픈클로, 큐원 코드, 제미나이 CLI 등 여러 에이전트 하니스에 옴니모달 기능을 더한다. 긴 영상의 오디오·비주얼 기억을 구성하는 옴니-메모리, 튜토리얼 영상을 삽화 PDF로 바꾸는 옴니-비디오투노트, 뮤직비디오 제작과 영화 해설·화자 보존 영상 번역을 맡는 옴니-챗컷이 대표 기능이다. 다만 공개된 설명 문서는 대부분의 에이전트 하니스가 아직 메인 모델에 오디오를 직접 전달하지 못해 현재는 API를 거쳐야 한다는 한계도 함께 밝혔다.