🎁 Neu Kostenlos registrieren, 10 Aufrufe gratis. Bis zu 1 $, ohne Karte.

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

vs

Welches und wann — kuratiertes Fazit, keine Benchmark-Tabelle

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.

Preise

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

Preise aus dem Live-Katalog zum Zeitpunkt des Builds; jede Modellseite enthält die aktuelle Übersicht.

Wo sie stehen — Preis pro 1M Audio-Tokens über alle 6 Echtzeit-Speech-to-Speech-Modelle mit dieser Abrechnungseinheit (logarithmische Skala)

Fähigkeiten

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Thinking-Kontrolle konfigurierbar immer aktiv
Prompt-Caching implizit + explizit implizit + explizit
Cache-Lebensdauer nicht veröffentlicht nicht veröffentlicht
Minimales gecachtes Präfix 4096 Tokens 4096 Tokens

Spezifikationen

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Input-Modalitäten Text Audio Video Text Bild Audio Video
Ausgabemodalitäten Text Audio Text Audio
Veröffentlicht 2026-03-26
Wissensgrenze 2025-01
Stimmen

Any voice from the Gemini text-to-speech voice set

native-audio output models switch languages naturally during a conversation.

Any voice from the Gemini text-to-speech voice set

native-audio output models switch languages naturally during a conversation.

Session-Fähigkeiten
  • Function calling supported, with NON_BLOCKING function declarations letting the model keep talking while a tool runs
  • VAD interruption cancels and discards the in-flight generation
  • search grounding and thinking supported
  • no caching, structured outputs, code execution or Batch API
  • Function calling is sequential only — the model will not start responding until the tool response is sent
  • search grounding and thinking supported
  • VAD interruption cancels the in-flight generation
  • no caching, structured outputs, code execution or Batch API
Kontextfenster 131K 131K

Die Spezifikationen sind aus der Dokumentation der jeweiligen Anbieter übernommen; eine Zeile, die ein Anbieter nicht veröffentlicht, wird weggelassen und nicht abgeleitet. Vollständige Quellen: gemini-2.5-flash-native-audio · gemini-3.1-flash-live

Mit einer Zeile zwischen ihnen wechseln

Beide IDs befinden sich in jedem Tab unten — das hervorgehobene Zeilenpaar ist die einzige Änderung. Gleicher Endpunkt, gleicher Schlüssel, gleiche Request-Struktur.

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 holen →

FAQ

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

Sie listen dieselbe audio-input / 1m token ($3), daher ist der Preis hier nicht ausschlaggebend — siehe die Spezifikationen und Fähigkeiten unten.

Kann ich gemini-2.5-flash-native-audio gegen gemini-3.1-flash-live ohne zwei Integrationen A/B-testen?

Ja. Beide werden über denselben OpenAI-kompatiblen Endpunkt mit einem API-Schlüssel bereitgestellt — der Wechsel ist eine einzeilige Änderung des Modell-Strings, sodass Sie einen Bruchteil des Traffics an jedes Modell leiten und die Rechnungen direkt vergleichen können.

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

Preise für Cache-Reads sind in unserem Feed nur für eines der beiden Modelle aufgeführt; wo ein Preis fehlt, berechnet der Anbieter Cache-Reads nicht separat.

Verwandte Vergleiche