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

gemini-3.1-flash-live vs GPT Realtime 2.1

vs

Welches und wann — kuratiertes Fazit, keine Benchmark-Tabelle

Beide sind Echtzeit-Audio-Modelle, die pro Million Token abgerechnet werden, aber gemini-3.1-flash-live ist die günstigere Option: $3 Audio-Input gegenüber $32 (etwa 10.7x weniger) und $12 Audio-Output gegenüber $64, mit Text für $0.75/$4.5 im Vergleich zu $4/$24 (rund 5.3x weniger). Es akzeptiert außerdem Bild- und Video-Input neben Audio und Text, bietet einen 131072-Token-Kontext mit bis zu 65536 Output-Token und seine Live API-Sitzungen sind auf 15 Minuten nur für Audio (2 Minuten mit Video) begrenzt, sofern sie nicht verlängert werden. Wählen Sie gpt-realtime-2.1, wenn Sie den Audio/Text-Stack von OpenAI mit $0.4 Cache-Reads, seinem 128000-Token-Kontext und 32000 max Output möchten.

Preise

gemini-3.1-flash-live GPT Realtime 2.1 Δ
Audio-Input / 1M Token $3 $32 0.094×
Audio-Output / 1M Token $12 $64 0.19×
Audio-Cache-Read / 1M Token $0.4
Text-Input / 1M Token $0.75 $4 0.19×
Text-Output / 1M Token $4.5 $24 0.19×
Cache-Schreiben keine separate Gebühr

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-3.1-flash-live GPT Realtime 2.1
Thinking-Kontrolle immer aktiv
Prompt-Caching implizit + explizit implizit (automatisch)
Cache-Lebensdauer nicht veröffentlicht 5–10m, up to 1h
Minimales gecachtes Präfix 4096 Tokens 1024 Tokens

Spezifikationen

gemini-3.1-flash-live GPT Realtime 2.1
Input-Modalitäten Text Bild Audio Video Text Audio
Ausgabemodalitäten Text Audio Text Audio
Veröffentlicht 2026-03-26 2026-07-06
Wissensgrenze 2024-09
Stimmen

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

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

Session-Fähigkeiten
  • 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
  • Speech-to-speech over WebSocket
  • configurable reasoning effort
  • tool use
  • interruption handling
  • 128K context
Kontextfenster 131K 128K

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-3.1-flash-live · GPT Realtime 2.1

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-3.1-flash-live"
# URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1"  # 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-3.1-flash-live oder GPT Realtime 2.1?

gemini-3.1-flash-live ist günstiger bei audio-input / 1m token ($3 vs. $32, 11× Unterschied). Andere Zeilen können in die andere Richtung deuten — die obige Tabelle enthält alle Daten, und die tatsächlichen Kosten hängen von Ihrem Mix ab.

Kann ich gemini-3.1-flash-live gegen GPT Realtime 2.1 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-3.1-flash-live und GPT Realtime 2.1 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