Cloudflareは、オープンウェイト決定AIモデルClef-omniを発表し、音声/ビデオ入力のサポートが新たに追加されました

IT之家 10月10日の報道によると、Cloudflareは昨日（10月9日）に、オープンウェイト決定モデルClef-omniを発表し、一度のAPI呼び出しでテキスト、画像、音声、ビデオなどを処理できるようにする。

位置情報に関しては、このモデルは以前のClefシリーズモデルの基盤の上に構築されており、多様な入力形式へのサポートが拡張され、モデルの重みはHugging Faceで公開されています。

多モーメント対応については、以前のClefはテキストや画像、動画から抽出された連続画面（動画を時間ごとに静止画に分割し、これらの画像を順番にモデルに入力する）をサポートしていたが、Clef-omniでは音声と完全な動画入力が追加され、wav、mp3、mp4、webm形式をサポートしている。

Cloudflareによると、開発者は別途音声転写や音声・映像の分割処理を構築する必要はなく、1つのモデルで多様な入力を処理できるという。

Cloudflareによると、Clef-omniはQwen3-Omni-30B-A3B-Instructを基に構築されており、主要な理解能力を保持しているという。このモデルは構造化された意思決定タスクに特化しており、通常のテキスト出力を生成することはない。会社が公表したテストでは、純粋なテキストのリクエストに対する応答時間は約130ミリ秒、画像については約150ミリ秒であり、音声付きの21秒間のビデオの評価には約1.5秒かかった。

Cloudflare は、Clef-flash の百万トークンあたりの価格を0.09ドル（IT之家注：現在の為替レートで約0.6元）から0.038ドル（現在の為替レートで約0.25元）に下げ、約58％の減少となりました。Clef-flashのホスティング版のコンテキストウィンドウ同期は64kから24kに縮小されました。