gemini-2.5-flash-native-audio vs gemini-3.1-flash-live

gemini-2.5-flash-native-audio gibt es nur auf Einladung. Die Werte unten sind die aktuellen Live-Preise, für Aufrufe muss Ihr Arbeitsbereich aber erst freigeschaltet werden. Fragen Sie den Zugang bei uns an, bevor Sie auf diesen Vergleich bauen.

gemini-3.1-flash-live gibt es nur auf Einladung. Die Werte unten sind die aktuellen Live-Preise, für Aufrufe muss Ihr Arbeitsbereich aber erst freigeschaltet werden. Fragen Sie den Zugang bei uns an, bevor Sie auf diesen Vergleich bauen.

vs

Welches Modell wofür

Die Audiopreise sind identisch ($3 Eingabe, $12 Ausgabe pro Million) und die Sitzungsmechanik ebenso - PCM mit 16 kHz Eingang und 24 kHz Ausgang, 128k Kontext, 15 Minuten Deckel bei reinem Audio - wobei das ältere gemini-2.5-flash-native-audio beim Text etwas günstiger ist, $0.5 und $2 pro Million gegenüber $0.75 und $4.5. Der funktionale Unterschied ist das Werkzeugverhalten: gemini-2.5-flash-native-audio unterstützt NON_BLOCKING-Funktionsdeklarationen, sodass das Modell weiterspricht, während ein Werkzeug läuft, wo gemini-3.1-flash-live sequenziell ist und erst nach dem Werkzeugergebnis antwortet - dafür nimmt es Bildeingaben neben Text, Audio und Video. Nehmen Sie 2.5 für werkzeuglastige Gespräche, 3.1 für Bildeingabe.

Benchmarks

gemini-3.1-flash-live: Der Anbieter hat keine Benchmark-Werte veröffentlicht.

gemini-2.5-flash-native-audio: 8 veröffentlicht, aber kein Benchmark, den genug andere Modelle teilen.

gemini-2.5-flash-native-audio gemini-3.1-flash-live weitere gemessene Modelle Durchschnitt der Vergleichsmodelle ★ kein anderes Modell war besser
AMI near+far field (WER)
63.8%
N/A
Big Bench Audio
71%
N/A
BFCL v3 (single-turn, python only)
69.4%
N/A

Anbieterangaben: Amazon OpenAI

Preise

gemini-2.5-flash-native-audio gemini-3.1-flash-live Δ
Audio-Eingabe / 1M Tokens $3 $3 =
Audio-Ausgabe / 1M Tokens $12 $12 =
Text-Eingabe / 1M Tokens $0.5 $0.75 0.67×
Text-Ausgabe / 1M Tokens $2 $4.5 0.44×

Preise aus dem Live-Katalog, Stand des letzten Builds. Die aktuellen Preise stehen auf der jeweiligen Modellseite.

Einordnung: Preis pro 1M Audio-Tokens aller 7 Echtzeit-Speech-to-Speech-Modelle mit dieser Abrechnungseinheit (logarithmische Skala)

Fähigkeiten

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Thinking-Steuerung konfigurierbar immer aktiv
Prompt-Caching implizit (automatisch) implizit (automatisch)
Cache-Lebensdauer nicht veröffentlicht nicht veröffentlicht
Mindestlänge des gecachten Präfixes 4,096 Tokens 4,096 Tokens

Spezifikationen

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Eingabemodalitäten Text Audio Video Text Bild Audio Video
Ausgabemodalitäten Text Audio Text Audio
Veröffentlicht - 2026-03-26
Knowledge-Cutoff 2025-01 -
Stimmen

Jede Stimme aus dem Text-to-Speech-Stimmenset von Gemini

Modelle mit Native-Audio-Output wechseln die Sprache während eines Gesprächs auf natürliche Weise.

Jede Stimme aus dem Text-to-Speech-Stimmenset von Gemini

Modelle mit Native-Audio-Output wechseln die Sprache während eines Gesprächs auf natürliche Weise.

Sitzungsfunktionen
  • Function Calling unterstützt, wobei NON_BLOCKING-Funktionsdeklarationen das Modell weitersprechen lassen, während ein Tool läuft
  • VAD-Unterbrechung bricht die laufende Generierung ab und verwirft sie
  • Search Grounding und Thinking unterstützt
  • kein Caching, keine strukturierten Ausgaben, keine Codeausführung und keine Batch API
  • Function Calling ist ausschließlich sequenziell, das Modell beginnt also erst zu antworten, wenn die Tool-Antwort gesendet wurde
  • Search Grounding und Thinking unterstützt
  • VAD-Unterbrechung bricht die laufende Generierung ab
  • kein Caching, keine strukturierten Ausgaben, keine Codeausführung und keine Batch API
Kontextfenster 131.072 131.072

Die Spezifikationen stammen aus der Dokumentation des jeweiligen Anbieters. Veröffentlicht ein Anbieter eine Angabe nicht, lassen wir die Zeile weg, statt sie zu schätzen. Vollständige Quellen: gemini-2.5-flash-native-audio · gemini-3.1-flash-live

Eine Zeile genügt für den Wechsel

Beide IDs stehen in jedem Tab unten. Die beiden hervorgehobenen Zeilen sind die einzige Änderung. Gleicher Endpunkt, gleicher Schlüssel, gleiches Anfrageformat.

import asyncio, base64, json, websockets

URL = "wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio"
# URL = "wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live"  # diese Zeile einkommentieren, die darüberliegende auskommentieren
# Send ONLY the Authorization header - the beta protocol is retired.
HEADERS = {"Authorization": "Bearer sk-syn-..."}

async def main():
    async with websockets.connect(URL, additional_headers=HEADERS) as ws:
        # 1) configure the speech-to-speech session
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "type": "realtime",
                "output_modalities": ["audio"],
                "audio": {"output": {"voice": "alloy"}},
            },
        }))
        # 2) send input audio (base64 PCM16), then request a spoken reply
        await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": pcm16_b64}))
        await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
        await ws.send(json.dumps({"type": "response.create"}))
        # 3) stream the model's audio (and text) back
        async for raw in ws:
            ev = json.loads(raw)
            if ev["type"] == "response.audio.delta":
                play(base64.b64decode(ev["delta"]))   # audio out
            elif ev["type"] == "response.done":
                break

asyncio.run(main())

API-Schlüssel erstellen →

FAQ

Welches Modell ist günstiger: gemini-2.5-flash-native-audio oder gemini-3.1-flash-live?

Beide berechnen $3 für „Audio-Eingabe / 1M Tokens“. Andere Tarife und die tatsächliche Nutzung können die Gesamtkosten verändern.

Kann ich gemini-2.5-flash-native-audio gegen gemini-3.1-flash-live A/B-testen, ohne zweimal zu integrieren?

Ja. Beide laufen über denselben OpenAI-kompatiblen Endpunkt mit einem API-Schlüssel. Für den Wechsel ändern Sie nur eine Zeile, den Modellnamen. So können Sie einen Teil des Traffics an jedes Modell schicken und die Kosten direkt vergleichen.

Unterstützen gemini-2.5-flash-native-audio und gemini-3.1-flash-live Prompt-Caching?

In unserem Feed ist nur für eines der beiden Modelle ein Preis für Cache-Lesezugriffe hinterlegt. Fehlt ein Preis, berechnet der Anbieter Cache-Lesezugriffe nicht gesondert.

Verwandte Vergleiche