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

gemini-3.1-flash-live vs nova-2-sonic

vs

Welches und wann — kuratiertes Fazit, keine Benchmark-Tabelle

Audio kostet auf beiden gleich, $3 pro Million Eingabe und $12 Ausgabe, die Rechnung trennt sich also beim Text: nova-2-sonic berechnet $0.06 und $0.24 pro Million gegenüber $0.75 und $4.5, also rund 12x und 19x weniger. gemini-3.1-flash-live ist das Modell mit den breiteren Eingaben — Text, Bild, Audio und Video, mehr als 90 Sprachen, 15-minütige reine Audiositzungen — während nova-2-sonic nur Audio und Text nimmt, über eine 8-Minuten-Verbindung mit dokumentiertem Fortsetzungsmuster, und in vier Regionen läuft. Nehmen Sie nova-2-sonic für die Kosten bei textlastigen Sitzungen, gemini-3.1-flash-live für Videoeingabe und Sprachabdeckung.

Preise

gemini-3.1-flash-live nova-2-sonic Δ
Audio-Input / 1M Token $3 $3 =
Audio-Output / 1M Token $12 $12 =
Text-Input / 1M Token $0.75 $0.06 13×
Text-Output / 1M Token $4.5 $0.24 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 nova-2-sonic
Thinking-Kontrolle immer aktiv
Prompt-Caching implizit + explizit nicht unterstützt
Cache-Lebensdauer nicht veröffentlicht nicht zutreffend
Minimales gecachtes Präfix 4096 Tokens nicht zutreffend

Spezifikationen

gemini-3.1-flash-live nova-2-sonic
Input-Modalitäten Text Bild Audio Video Text Audio
Ausgabemodalitäten Text Audio Text Audio
Veröffentlicht 2026-03-26 2025-12-02
Stimmen

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

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

Feminine- and masculine-sounding voices per locale (tiffany/matthew en-US, amy en-GB, olivia en-AU, kiara/arjun en-IN and hi-IN, ambre/florian fr-FR, beatrice/lorenzo it-IT, tina/lennart de-DE, lupe/carlos es-US, carolina/leo pt-BR)

tiffany and matthew are polyglot voices that speak every supported language.

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
  • Intelligent turn-taking with configurable endpointing sensitivity
  • graceful interruption handling without losing context
  • function calling with asynchronous tool handling (the assistant keeps speaking while tools run)
  • RAG grounding
  • mixed audio and text input in one conversation
  • 8-minute connection limit
Kontextfenster 131K 1M

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 · nova-2-sonic

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=nova-2-sonic"  # 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 nova-2-sonic?

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

Kann ich gemini-3.1-flash-live gegen nova-2-sonic 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 nova-2-sonic 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