Cloudflare「Clef-omni」発表｜音声・動画・画像・テキストを扱う判断特化型AI

【発表の概要】Cloudflareは2026年10月9日、音声、動画、画像、テキストを扱う判断特化型モデル「Clef-omni」を発表しました。前週に登場したClefとClef-flashを拡張するもので、長文の文章生成ではなく、入力内容をもとに分類や判定を行う用途に重点を置いています。

【判断モデルとは】一般的な生成AIが説明文やコードを作るのに対し、判断モデルは与えられた情報が特定の条件に該当するかを評価します。例えば動画に禁止対象の内容が含まれるか、問い合わせをどの部門へ振り分けるかなど、結果を次の処理へ渡す用途が考えられます。

【マルチモーダルの意義】従来は音声を文字起こしし、動画を静止画へ分割するなど複数の前処理を組み合わせることがありました。Clef-omniは複数の情報形式を一つの処理系で扱うため、声の調子や映像の変化など、文字だけでは捉えにくい情報を利用できる可能性があります。

【公表された速度の例】Cloudflareは音声付き21秒の動画を約1.5秒で評価した例を紹介しています。ただし、これは公表された条件での例であり、すべての動画や環境で同じ速度が得られる保証ではありません。入力の長さ、処理条件、負荷によって性能は変わります。

【既存モデルも改善】CloudflareはClefの推論速度を最大約2倍に改善したと説明し、軽量モデルClef-flashの価格も引き下げました。大量の入力を繰り返し評価するシステムでは、一件当たりの処理時間と費用が全体の運用コストに直結します。

【活用できる場面】動画コンテンツの分類、問い合わせの優先順位付け、業務記録の整理などが候補になります。ただし設備の異常検知や安全判断に使う場合は、モデルの結果だけで機械を停止・稼働させず、業務に応じた追加の検証と制御が必要です。

【誤判定と偏り】分類モデルには誤検知と見逃しがあります。評価時には正解率だけでなく、誤って対象と判定する割合と、対象を見逃す割合を分けて確認します。音声の言語、映像の明るさ、利用環境の違いによって精度が変わる可能性にも注意が必要です。

【今後の焦点】Clef-omniの価値はデモの速さだけでなく、実際の業務データでの精度、費用、監査可能性によって決まります。Cloudflareのモデル群は、AIを『答えを生成する道具』から『次の処理を判断する部品』へ広げる動きを示しています。