米クラウドフレア、音声・動画も判断するAI「Clef-omni」を公開 重みもオープンに

　米クラウドフレアは米国時間の10月9日、テキストと画像に加えて音声と動画も入力できる判断特化AIモデル「Clef-omni」を公開した。重みはオープンで、Hugging Faceで入手できる。あわせて、前週に公開した「Clef」の高速化と、小型版「Clef-flash」の値下げも明らかにした。

　判断特化AIは、文章を生成せず、状況と質問を受け取って選択肢ごとの確信度を返すモデルだ。米TypeSafe AIの「Jev」が先行し、クラウドフレアはJevと互換のAPIで追う立場にある。

　Clef-omniは、「Qwen3-Omni-30B-A3B-Instruct」を土台とする混合専門家（MoE）モデルだ。音声読み上げの出力部分は使わず、入力全体を1回の処理で採点する。音声はwavとmp3、動画はmp4とwebmに対応する。従来のように、音声の文字起こしや動画の音声・映像の分離といった前処理を挟まず、1回のAPI呼び出しで判断できるという。

　処理速度は、テキストのみの判断で中央値約130ミリ秒、画像で約150ミリ秒、音声は数百ミリ秒。音声付きの21秒の動画でも約1.5秒で採点するという。

　価格は入力100万トークンあたり、Clef-omniが0.15ドル（約24円）。Clef-flashは0.09ドル（約14円）から0.038ドル（約6円）に下げ、Jevより安くなったとしている。Clefは0.24ドル（約38円）で据え置いた。

　ただしClef-flashは、ホスト版のコンテキスト窓を64kから24kに縮めた。入力が24kを超えるリクエストは全体の0.24％にすぎないという。公開済みの重みは変更しておらず、256kのコンテキスト窓に対応して学習されているため、自前で動かせばより長い入力も扱える。

　Clefの高速化は、配信基盤をSGLangに移したことによる。重みは変えていない。中央値の応答時間は、入力約800トークンで262ミリ秒から152ミリ秒（1.7倍）、約3400トークンで616ミリ秒から305ミリ秒（2.0倍）、約1万6000トークンで2721ミリ秒から1635ミリ秒（1.7倍）に縮んだ。

　クラウドフレア社内では、公開GitHubのドキュメントリポジトリでのスパムissueの検出、CMS「EmDash」でのプラグインのフィッシング審査、個人情報（PII）の検出などにClefを使っているという。