文章を作らず、次の処理を決めるAI
AIというと、質問へ自然な文章を返す道具を思い浮かべやすい。しかし、業務システムでは長い説明より、複数の候補から適切な処理を選ぶ判断が必要な場面も多い。問い合わせの担当先を選ぶ、映像を確認対象へ振り分ける、入力が条件を満たすか判定する、といった仕事だ。
Cloudflareが公開したClef-omniは、この判断のためのモデルに音声と動画の入力を加えたものだ。テキストや画像だけでなく、異なる種類の情報を一度のリクエストへ含めて、あらかじめ決めた選択肢を評価できる。説明文を上手に書く力と、判断を速く安定して返す力を分けて設計している。
音声を文字にしてから渡す工程との違い
従来の構成では、音声をまず文字へ起こし、その文章を別のモデルへ渡して判定する場合がある。動画なら、映像のフレームと音声を別々に扱うこともある。こうした工程は柔軟だが、前の処理の誤りが次へ伝わり、待ち時間や管理する部品も増える。
CloudflareはClef-omniについて、メディアを読み込み、入力全体に対して一度のprefillを行い、文章の出力トークンを生成せず選択肢を採点すると説明する。音声と映像を一緒に扱うことで、利用者が別の文字起こし工程を組まなくてよい点が特徴になる。
たとえば設備の写真、稼働音、短い動画をまとめ、ラベルが見えるか、異音があるか、部品が動いているかを別々の質問として渡す。これらは公式発表でも示された使い方だ。画面に写るものと音の手がかりを、同じ入力の中で評価する設計になる。
「一度に判断する」は、全てを理解したという意味ではない
ここからは編集上の考察だ。入力形式を増やす利点は大きいが、モデルに渡したメディアの品質によって判断は変わる。音が小さい、映像が暗い、重要な部分が画面外にあるといった問題は、一つのモデルへまとめても消えない。
質問の作り方も重要になる。「正常か」という大きな問いより、判定の根拠になる観察項目を分けた方が、失敗を追いやすい場合がある。映像で確認できたことと、判断に必要な情報がなかったことを区別できなければ、確率の数字だけが独り歩きする。
判断結果は、最終的な実行許可とも分けたい。モデルがある候補を高く評価しても、その候補を選んだ結果として何が起きるかは、システム側が管理する。通知の振り分けと、設備を止める操作では、必要な確認の強さが異なる。
速さの数字が示す範囲
Cloudflareは、テキストの判断が中央値で約130ミリ秒、画像が約150ミリ秒、音声は数百ミリ秒と説明する。音声付きの21秒動画を約1.5秒で採点した例も示している。いずれも同社の条件での測定で、利用者の通信や前処理まで含めた総時間を保証するものではない。
業務で測るなら、ファイル取得、エンコード、転送、待ち行列、結果の確認を含む時間も必要になる。モデルの応答が速くても、大きな動画の転送が支配的なら全体の短縮は小さい。逆に、複数モデルを直列にしていた工程を減らせるなら、管理や障害対応が簡単になる可能性もある。
速度だけを追って判定の安定性を下げないことも大切だ。誤った振り分けが増えて、人が戻す仕事が増えれば、システム全体では速くならない。入力の種類ごとに精度、待ち時間、再確認率を分けて記録すると、採用する場所を選びやすくなる。
価格改定は、モデルごとに読む
今回の発表にはClefファミリーの価格と配信基盤の変更も含まれる。入力100万トークンあたりの発表価格は、Clefが0.24ドル、Clef-omniが0.15ドル、Clef-flashが0.038ドル。Clef-flashは従来の0.09ドルから値下げされた。
重要なのは、値下げの対象と条件だ。ホスト版Clef-flashのコンテキスト窓は64kから24kへ縮小される一方、公開された重みは変更されていないと説明される。長い入力を必要とする利用者には、Clefなど別の選択肢が案内される。安くなったという見出しだけで既存の入力をそのまま移すべきではない。
音声や動画は、秒数そのものが直接料金になるとは限らない。入力トークンへの換算やサイズ上限を含め、使うサービスの仕様を確認する必要がある。テキストだけを受ける他モデルと比較する場合も、追加の文字起こしや画像説明の費用を含む工程全体で比べるのが適切だ。
公開重みとホスト版は、同じ運用負担ではない
Clef-omniはQwen3-Omni-30B-A3B-Instructを基盤とし、重みも公開される。自前で動かせることは選択肢を増やすが、クラウドの呼び出し料金が不要になることと、総費用がなくなることは違う。計算機、更新、監視、性能調整を誰が担うかが変わる。
配信基盤の最適化で速くなった部分については、同じ重みを手元へ置けば同じ速度になるとは限らない。モデルの公開、実行ソフト、ハードウェア、同時処理の設定を分けて評価したい。自社のデータをどう扱うかと、安定して運用できるかの両方が選択の条件になる。
ベンチマークは、得意な判断を見つけるために使う
公式の比較表では、意図分類など高い得点を示す項目がある一方、すべての課題で同じ優位があるわけではない。入力の種類が広いことと、複雑な推論に強いことも別だ。自社の仕事がどの評価に近いかを考えずに、最高点だけで選ぶことは避けたい。
導入前には、既存データで正解が分かる例と、判断しづらい例を用意する。誤検出と見逃しを分け、どちらの影響が大きいかによって人へ回す基準を決める。確率が低いときだけでなく、入力が不足しているときも確認対象にできると、判断モデルを使いやすくなる。
生成モデルと組み合わせる役割分担
判断モデルの出力を使って、必要な場合だけ生成モデルに説明文を書かせる構成も考えられる。定型的な振り分けと、利用者へ分かりやすく伝える文章は、別の仕事だからだ。ただし、後段の説明が前段の判断理由を作り足さないよう、確認できた根拠を渡す設計が必要になる。
Clef-omniの登場は、万能な一つのモデルに何もかも任せる以外の選択肢を示す。どこで判断し、どこで説明し、どこで人が確認するか。処理を分けて考えることが、音声や動画を含む業務AIを現場へ近づける。
出典
イノベトピアの元記事、Cloudflare公式ブログ、モデル仕様、料金案内、公開モデル。確認日：2026年10月16日。数値は発表条件のもので、本記事でのAPI実測ではない。
PR
ElevenLabs →
