Alibaba lanzó hoy, 19 de septiembre, Qwen3.8-Omni-Flash: un modelo que recibe texto, imagen, audio y video en la misma llamada, con contexto de un millón de tokens, pensado para agentes que trabajan sobre grabaciones (resumir reuniones, traducir clips, editar video). Según el anuncio de Qwen, en audio y video queda cerca de Gemini 3.8 Flash y en audio lo supera. Se ofrece por API en Model Studio; el anuncio no trae pesos descargables. Las cifras de calidad de este artículo son las que publicó Qwen: hoy no hay medición independiente del modelo.
La misma tabla para los dos
| Modelo | Entrada (USD por millón) | Salida (USD por millón) | Hora de audio | Hora de video con audio | Contexto | Responde con voz |
|---|---|---|---|---|---|---|
| Qwen3.8-Omni-Flash | 0,15 | 0,47 | menos de 0,01 | 0,20 | 1M | No; la voz va por Qwen3.5-Omni |
| Gemini 3.8 Flash | 0,75 (1,50 desde 2027) | 3,75 (7,50 desde 2027) | 0,09 | 0,84 | 1M | No; la voz va por Gemini 3.8 Live |
Las horas de audio y video son estimaciones de Qwen: treinta veces el costo de dos minutos de material, video a 720p y un cuadro por segundo. Con la TRM de hoy (3.192,92 pesos), escuchar 1.000 horas de llamadas cuesta menos de 32.000 pesos con Qwen y unos 287.000 con Gemini, solo en la entrada. Y quien arme el presupuesto de 2027 debe usar la tarifa de 2027: desde enero, Gemini 3.8 Flash cobra por token de entrada diez veces lo que Qwen, porque su precio introductorio se duplica.
La ventaja en audio se midió sobre todo en mandarín
El titular de audio de Qwen descansa en cinco pruebas de transcripción sobre corpus en mandarín (AliMeeting, AISHELL-4, MagicData-RAMC y las dos de WenetSpeech), donde su error es menos de la mitad del de Gemini en las cinco y llega a una quinta parte en AISHELL-4. En conversación en inglés con varios hablantes la ventaja se mantiene. Pero en FLEURS, el promedio de 60 idiomas que incluye el español, Gemini comete menos errores (7,9 frente a 9,3) y traduce mejor (33,0 frente a 31,8 en BLEU). Qwen no publica el dato solo en español.
Las pruebas de agente también reparten: Qwen gana WildClawBench-MM (71,0 frente a 58,9) y Gemini gana AgenticVBench (45,0 frente a 36,8), las dos con Claude Code como arnés, y el arnés también mueve el resultado.
Qué hacer antes de elegir
Para transcribir llamadas una a una en español, la cifra que importa es la de FLEURS, y ahí la diferencia es corta y a favor de Gemini. Para reuniones con varios participantes, las cifras publicadas favorecen a Qwen. En los dos casos, un precio de entrada cinco veces menor solo vale si el error es parecido con tu audio: toma cincuenta grabaciones reales, con acento, ruido y jerga de tu operación, y mide el error de los dos. Y el precio de la tabla es el piso, no la factura: con GPT-6 el escalón salta a los 272.000 tokens y el de Gemini 3.8 Flash salta en enero.
Antes de mandar grabaciones de clientes, confirma en qué región se procesan: son datos personales, y esa pregunta ya la hicimos con DeepSeek. Y si buscas voz en vivo, la comparativa de agentes de voz es el punto de partida.
Escribimos desde la operación de agentes en producción (casos). Si quieres esta medición con tus grabaciones, hablemos.