Clef-omniとは​──音声・動画も​扱う​Cloudflareの​判断AI

Cloudflareは2026年10月9日、文章・画像に加えて音声と動画を扱う判断モデル「Clef-omni」を発表しました。問い合わせに添付された写真や録音を材料に、担当部署や確認項目を選ぶためのAIです。^[1]

Clef-omniは、用意した質問と選択肢に対して確率を返します。その結果を使って問い合わせを振り分けたり、人の確認に回したりする仕組みを組めます。この記事では、判断モデルの仕組み、問い合わせ対応での使い方、料金、導入前の確かめ方を紹介します。

情報・料金は2026年10月10日時点の公式資料に基づきます。CAGではClef-omniのAPI実行や精度・速度の検証を行っていません。本文の業務例と図は、使い方を説明するための架空の設計例です。

判断モデルは、問い合わせなどの情報を読み、あらかじめ定めた分類や選択肢を評価するAIです。Cloudflareが2026年10月1日に発表したClefの説明では、顧客からのメッセージを読み、緊急性や担当部署を判断する用途が例に挙げられています。返ってくる型付きの回答と確率を、アプリ側の処理につなげる考え方です。^[2]

たとえば「この問い合わせは、請求・技術・営業のどこが担当するか」という質問なら、その候補を先に渡します。部署名を自由に書かせる方式と比べ、受け取った回答を既存の受付システムの分類に対応させやすくなります。

Clef-omniのモデルカードには、自由形式の文章を生成せず、各質問で許可された選択肢の確率を返すと説明されています。モデルの重みはApache 2.0ライセンスで公開され、CloudflareのWorkers AIで使う方法と、自前で動かす方法があります。^[3]

仕事への組み込みでは、質問と選択肢の設計が出発点になります。「対応しておいて」と広く任せるより、「請求の質問か」「不具合の連絡か」「追加情報が必要か」と、受付で実際に分けたい判断を用意するほうが、結果を作業につなげやすいからです。

なお、モデルが分類を返すことと、顧客に返信したり返金したりすることは別の処理です。どの結果なら担当を割り当てるか、どこから人が確認するかは、導入する側が決めて実装します。

Clef-omniで加わったのは、録音や動画も入力にできることです。発表では音声のWAV・MP3、動画のMP4・WebMに対応すると説明されています。写真、録音、動画を同じリクエストで渡し、設置状況や動作音などを確認する例も紹介されています。^[1]

たとえば設備の問い合わせでは、お客様が「変な音がする」と書いた文面に、録音と短い動画が添付されることがあります。その材料を使って「技術担当に確認を回す必要があるか」を評価する用途が考えられます。これは本記事の設計例であり、故障の診断能力を確認したものではありません。

2026年10月10日時点の公式仕様には、次の上限が載っています。^[4]

トークンは、AIが処理する情報量を数える単位です。文章だけでなく画像・音声・動画もトークンに換算され、質問と一緒に入力枠を使います。メディアと質問だけで上限を超えるとリクエストは失敗し、それ以外の場合は残りの枠に収まるよう文章の入力が切り詰められます。^[4]

**長い録音や動画を、そのまま全部送ればよいとは限りません。**受付に必要な箇所を絞り、判断に必要な説明が入力から欠けていないかを確認する設計が必要です。添付の長さを制限する場合も、上限に達したことを利用者に伝え、別の提出方法を用意すると受付を続けられます。

ここでは、設備を販売する会社の受付を想定します。届いた内容は「設置後、運転すると異音が出ます。写真と録音を添付しました」。最初に決めたいのは、誰に回すか、急いで見る必要があるか、確認材料が足りているかです。

モデルに渡す質問は、業務上の判断に対応させます。

公式APIの例では、選択肢から選ぶchoice、真偽を評価するnoul、段階を評価するscoreが使われています。担当部署と緊急性のように、異なる種類の質問を同じ入力にまとめられます。^[4]

その後の振り分けは、運用ルールとして用意します。たとえば技術担当の候補が明確なら担当キューへ、候補が近いときや材料不足のときは受付担当の確認へ回す、という分岐です。本記事では説明のためにこの分岐を描いており、実際のモデル回答や確率の数値は載せていません。

**返ってきた確率を、そのまま業務での正解率と読み替えないことも大切です。**請求と不具合の相談が一通に混ざるケースなどでは、どの部署を主担当にするかという社内ルール自体が必要になります。AIの出力を読む前に、人が同じ問い合わせをどう扱うかをそろえておくと、振り分け結果を評価できます。

はじめは担当キューへの割り当て案を表示し、担当者が確定する運用から試す方法があります。誤りの種類が分かってから、自動で割り当ててよい範囲を広げる設計です。

2026年10月10日時点のWorkers AI公式料金表では、Clefシリーズの入力100万トークンあたりの単価は次のとおりです。^[5]

横にスクロールして、モデルの単価を比較できます。

Clefモデルには出力トークンの課金がなく、画像・音声・動画から換算されたトークンも、それぞれの入力単価で計算されます。^[4] 単価が低いモデルが、すべての仕事で適しているわけではありません。入力の種類と、自社の問い合わせに対する分類結果を合わせて選びます。

計算例として、文章・質問・メディアを合わせた課金対象の入力が、1件あたり平均1,000トークンだったと仮定します。10,000件なら合計10,000,000トークンなので、Clef-omniのモデル利用分は**$1.50**です。これは公式単価を用いた単純計算で、実測した利用料ではありません。無料枠や税、受付アプリ、保存先、その他の処理の費用も含めていません。

実際の予算を出すには、代表的な問い合わせを流して消費量を確かめる必要があります。本文が短くても添付動画が長ければ、1件の入力量は増えます。想定件数に単価だけを掛ける前に、「通常の問い合わせ」「添付が多い問い合わせ」「再判定した問い合わせ」を分けて記録すると、費用の増える箇所が見えます。

試すなら、扱う問い合わせと、AIに選ばせる範囲を絞ります。最初の対象を「担当部署の候補を出す」だけにすれば、返信の内容や返金の判断を同時に評価する必要がありません。

確認用の問い合わせには、典型的な例に加えて、判断が割れそうな例も入れます。たとえば請求と故障が混ざった連絡、聞き取りにくい録音、別製品が写った写真、説明と添付が食い違うケースです。実データを使う前に、送信先や保存方法の社内ルールを確認し、架空・匿名化した材料で試す方法もあります。

評価するときは、分類の一致だけでなく、人の確認へ回せたかも記録します。誤って自動割り当てされた案件と、慎重に確認へ回した案件では、その後の負担が違うからです。日本語の問い合わせ、業界特有の略語、現場の騒音についても、自社の材料で確かめる必要があります。CAGではこれらの精度を検証していません。

Clef-omniは、写真や音声も含む受付情報から、次の扱いを選ぶための道具です。導入の出発点は、受付でいつも行っている判断を一つ選び、質問・選択肢・人へ戻す条件を用意すること。その小さな分岐なら、自社で使えるかを具体的に確かめられます。