Neu Kostenlos registrieren und 10 Aufrufe gratis nutzen. Bis zu 1 $, ohne Kreditkarte.

gemini-2.5-flash-native-audio

geschlossene Beta Tool-AufrufeReasoning

Gemini 2.5 Flash Native Audio ist Googles Live-API-Modell mit nativem Audio, das die Modellseite als Ermöglicher latenzarmer Echtzeit-Sprach- und Videointeraktionen mit Gemini 2.5 Flash beschreibt: Es verarbeitet kontinuierliche Ströme aus Audio, Video oder Text und antwortet mit unmittelbarer, menschenähnlicher Sprache, statt einen Transkriptor und einen Synthesizer hintereinanderzuschalten.

Eingabe
Text Audio Video $0.5/M
Ausgabe
Text Audio $2/M
Audio-Eingabe
$3/M
Audio-Ausgabe
$12/M
Knowledge-Cutoff
2025-01

Benchmarks

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

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

Anbieterangaben: Amazon OpenAI

Preis im Vergleich

Der Preis im Feld von 6 vergleichbaren Modellen

Eingabe$0.5/M
$0.06 · nova-2-sonic GPT Realtime · $4
Ausgabe$2/M
$0.24 · nova-2-sonic GPT Realtime 2.1 · $24

Der Balken zeigt, wo der Preis dieses Modells unter allen Modellen derselben Art auf Synthorai liegt. An beiden Enden stehen das günstigste und das teuerste Modell. Angegeben sind Grundpreise; Rabatte für Batch, Region und Cache-Schreibzugriffe stehen auf der Preisseite.

Spezifikationen & Limits

Tokens

Kontextfenster (laut Anbieter) 131.072
Max. Ausgabe (laut Anbieter) 8.192
Knowledge-Cutoff 2025-01

Thinking

Anbieter-Parameter thinkingBudget
Standardwert dynamisches Thinking gilt, wenn die Anfrage nichts angibt
Abschaltbar Ja
Thinking-Verhalten Der Live-API-Leitfaden dokumentiert für dieses 2.5-Live-Modell ein Token-Budget statt einer Stufe: dynamisches Thinking standardmäßig aktiv, thinkingBudget 0 zum Abschalten.
Parameter reasoning_effort
Werte minimal · low · medium · high akzeptierte Werte je Anbieter

Audio

Audio-Limits
  • Live-API-Sitzung: rohes Little-Endian-16-Bit-PCM, 16 kHz Input und 24 kHz Output
  • reine Audiositzungen sind auf 15 Minuten begrenzt (2 Minuten mit Video), sofern sie nicht über das Session-Management verlängert werden
  • 128k Token Sitzungskontext
Streaming-Transkription Ja

Echtzeit

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.
Sitzung
  • 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

Modell

Modalitäten Text + Audio + Video → Text + Audio

Native-Audio-Modell für die Live API, das Rohaudio durchgängig verarbeitet, statt STT und TTS aneinanderzureihen. Die Modellseite von Google nennt einen Knowledge Cutoff im Januar 2025 und ein ungewöhnlich kleines Output-Limit von 8.192 Token neben dem Eingabefenster von 131.072 Token.

laut Offizielle Google-Dokumentation ↗

gemini-2.5-flash-native-audio in 30 Sekunden nutzen

OpenAI-Realtime-kompatibel: per WebSocket verbinden, Audio rein, Audio raus. WS /v1/realtime

import asyncio, base64, json, websockets

URL = "wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio"
# 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())

Über gemini-2.5-flash-native-audio

  • Sitzungen laufen über einen zustandsbehafteten WebSocket, nehmen rohes 16-Bit-PCM mit 16 kHz entgegen und geben es mit 24 kHz zurück, und das Modell akzeptiert Audio, Video und Text, während es Audio und Text zurückgibt.
  • Die Token-Limits liegen bei 131.072 für Input und ungewöhnlich niedrigen 8.192 für Output, das Sitzungs-Kontextfenster beträgt für Native-Audio-Modelle 128k Token, und reine Audiositzungen laufen 15 Minuten, mit Video 2 Minuten, sofern sie nicht per Session Management verlängert werden.
  • Function Calling, Search Grounding und Thinking werden unterstützt; Caching, strukturierte Ausgaben, Code-Ausführung und die Batch API nicht.
  • Zwei Fähigkeiten heben diese Generation vom neueren Live-Modell ab und sind der Grund, bei ihr zu bleiben: proaktives Audio, das das Modell entscheiden lässt, nicht zu antworten, wenn die Eingabe nicht relevant ist, und affektiver Dialog, der den Antwortstil an Ausdruck und Tonfall der sprechenden Person anpasst.
  • Asynchrones Function Calling wird hier ebenfalls unterstützt, sodass eine als non-blocking markierte Deklaration das Modell weitersprechen lässt, während ein Tool läuft.
  • Die Stimmen stammen aus Googles Text-to-Speech-Set, die Native-Audio-Ausgabe wechselt die Sprache im Gespräch auf natürliche Weise und akzeptiert keinen expliziten Sprachcode, und der Knowledge Cutoff liegt im Januar 2025.
  • Synthorai stellt es über den OpenAI-kompatiblen /v1/realtime WebSocket-Endpoint bereit, der für den Rest seines Sprachkatalogs verwendet wird.

FAQ

Lässt sich die gemini-2.5-flash-native-audio API kostenlos testen?

gemini-2.5-flash-native-audio ist derzeit in einer geschlossenen Beta: Den Zugang erhalten Sie auf Antrag, eine offene Registrierung gibt es nicht. Stellen Sie den Antrag in der Synthorai-Konsole. Nach der Freigabe gilt die übliche nutzungsbasierte Abrechnung ohne Abo.

Worin ist gemini-2.5-flash-native-audio am besten?

Latenzarme Echtzeit-Sprache und -Video über die Live API; proaktives Audio und affektiver Dialog, im neueren Live-Modell nicht vorhanden; reine Audiositzungen laufen 15 Minuten, mit Video zwei. Mehr dazu im Über-Abschnitt, der auf den offiziellen Release Notes des Anbieters beruht.

Was kostet gemini-2.5-flash-native-audio?

gemini-2.5-flash-native-audio kostet auf Synthorai $0.5 pro Million Eingabe-Tokens und $2 pro Million Ausgabe-Tokens. Das ist der Listenpreis des Anbieters, ohne Plattformaufschlag.

Wie rufe ich die gemini-2.5-flash-native-audio-API auf?

gemini-2.5-flash-native-audio ist ein Speech-to-Speech-Modell: Verbinden Sie sich mit dem OpenAI Realtime SDK (oder direkt per WebSocket) mit wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio und streamen Sie Audio in beide Richtungen. Ein Datei-Upload per POST /v1/audio/transcriptions ist das nicht. Authentifizieren Sie sich mit Ihrem sk-syn-Schlüssel und senden Sie nur den Authorization-Header (das Beta-Protokoll ist abgeschaltet).

Wie erhalte ich Zugang zu gemini-2.5-flash-native-audio?

gemini-2.5-flash-native-audio ist in einer geschlossenen Beta. Beantragen Sie den Zugang in der Synthorai-Konsole. Nach der Freigabe nutzen Sie es wie jedes andere Modell: im OpenAI SDK base_url="https://synthorai.io/v1" und model="gemini-2.5-flash-native-audio" setzen.

Verwandte Modelle

Vergleichen

Jeder Wert auf dieser Seite stammt aus der oben verlinkten Dokumentation des Anbieters und trägt das Datum, an dem wir ihn geprüft haben. Preise vergleichen wir über den gesamten Katalog. Spezifikationen, die Anbieter unterschiedlich definieren, zeigen wir mit einem Hinweis auf den Unterschied und nicht als Diagramm. Wir messen hier nichts selbst und vergeben keine Bewertungen.

API-Schlüssel erstellen Ihre Kosten vergleichen →