# Cloudflare、Clefに音声・動画対応モデルを追加　Clef‑flashは値下げ

> Clef‑omniはテキスト、画像、音声、動画を1回のAPI呼び出しで処理。Clef‑flashは100万トークンあたり$0.038となり、初代Clefも高速化した。

Oossa · 2026-10-09 · https://oossa.com/ja/cloudflare-adds-audio-and-video-to-its-clef-decision-model-and-lowers-price-of-c

Cloudflareは2026年10月9日、音声、動画、画像、テキストをまとめて入力できる判断モデル「Clef‑omni」の提供開始を発表した。今回の更新では、Workers AIプラットフォーム上で、Clef‑flashを競合するJevモデルより安価にしたほか、初代Clefモデルも高速化した。

## Clef‑omniでできること

Clef‑omniは、Qwen3‑Omni‑30B‑A3B‑InstructのMixture of Experts（MoE）基盤モデルを採用する。テキストしか扱えなかった従来の判断モデルとは異なり、画像や文章に加え、wavまたはmp3形式の音声、mp4またはwebm形式の動画を直接取り込める。こうした各種メディアの選択肢を1回のAPIリクエストで評価できるため、個別の文字起こしや画像認識の処理が不要になる。

テストでは、テキストのみのクエリは約130 ms、画像入力は約150 msで応答する。音声クリップは数百ミリ秒で処理され、音声付きの21秒の動画は約1.5秒で処理される。

## 価格と処理速度の変更

Clef‑flashの価格は、入力トークン100万個あたり$0.09から$0.038に引き下げられ、TypeSafeのJevモデルより安価になった。ホスト版Clef‑flashのコンテキストウィンドウは、64 kから24 kトークンに縮小。一方、オープンウェイト版の重みは、セルフホスティングで引き続き256 kトークンに対応する。

初代Clefモデルの価格はトークン100万個あたり$0.24のまま。SGLangサービングフレームワークへの移行を含むインフラの強化により、大きな入力の処理速度は約2倍になった。

## 事実

- Clef‑omniは2026年10月9日に提供開始。テキスト、画像、音声（wav/mp3）、動画（mp4/webm）を1回の呼び出しで処理できる。
- Clef‑flashは入力トークン100万個あたり$0.038に値下げされ、Jevより安価になった。
- ホスト版Clef‑flashのコンテキストウィンドウは24 kトークンに縮小。セルフホスティング用の重みは引き続き256 kトークンに対応する。
- 21秒の動画の応答時間は中央値で約1.5秒。
- Clefモデルの処理速度が向上。800トークンのリクエストの応答時間は中央値で、従来の262 msから152 msになった。

## なぜ重要か

開発者は、たとえば家電製品が正しく設置されているかを判断するために、写真、音声クリップ、短い動画をまとめて確認するAI処理を1つのステップで構築できる。Clef‑flashの値下げにより、多数の画像や文書を調べる必要がある中小企業も判断モデルを利用しやすくなり、Clefの高速化はリアルタイムアプリケーションの遅延を減らす。

## 出典と参考資料

1. [Introducing Clef-omni with full multimodality, plus a faster Clef and a cheaper Clef-flash](https://blog.cloudflare.com/clef-faster-cheaper-multimodal/) – Cloudflare, 2026-10-09

最終更新: 2026-10-09