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

gemini-3.1-flash-live

Veröffentlicht 2026-03-26

geschlossene Beta Tool-AufrufeReasoningVision

Gemini 3.1 Flash Live ist Googles latenzarmes Audio-zu-Audio-Modell für Echtzeitdialog und sprachzentrierte Anwendungen, und seine Modellseite schreibt ihm die Erkennung akustischer Nuancen, numerische Präzision und multimodales Bewusstsein zu.

Eingabe
Text Bild Audio Video $0.75/M
Ausgabe
Text Audio $4.5/M
Audio-Input
$3/M
Audio-Output
$12/M

Preis im Vergleich

Preisposition unter 6 vergleichbaren Modellen

Eingabe$0.75/M
$0.06 · nova-2-sonic GPT Realtime · $4
Ausgabe$4.5/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. Es sind Grundpreise; Rabatte für Batch, Region und Cache-Schreibvorgänge stehen auf der Preisseite.

Spezifikationen & Limits

Tokens

Kontextfenster (Herstellerangabe) 131.072
Max. Output (Anbieter-Spezifikation) 65.536

Thinking

Anbieter-Parameter thinkingLevel
Zulässige Werte minimal · low · medium · high
Standardwert minimal gilt, wenn die Anfrage nichts angibt
Abschaltbar Nein
Thinking-Verhalten Steht standardmäßig auf minimal, um auf geringste Latenz zu optimieren; die Gemini-3-Live-Modelle haben das thinkingBudget von 2.5 Live durch eine Stufe ersetzt.
Parameter reasoning_effort
Werte minimal · low · medium · high die Parameteroberfläche des Gateways - das Anbieter-Mapping oben gilt

Audio

Sprachen Mehr als 90 Sprachen für multimodale Konversation in Echtzeit
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

Realtime

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 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

Modell

Modalitäten Text + Bild + Audio + Video → Text + Audio

Audio-zu-Audio-Modell mit niedriger Latenz für Voice-First-Agenten, dokumentiert für die Erkennung akustischer Nuancen, numerische Präzision und multimodales Bewusstsein. Nutzt thinkingLevel (minimal / low / medium / high) statt thinkingBudget, standardmäßig minimal für die geringste Latenz.

laut Offizielle Google-Dokumentation ↗

gemini-3.1-flash-live 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-3.1-flash-live"
# 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-3.1-flash-live

  • Es akzeptiert Text, Bilder, Audio und Video und gibt Text und Audio über den zustandsbehafteten WebSocket der Live API zurück, mit einem Input-Limit von 131.072 Token und einem Output-Limit von 65.536 Token, dem Achtfachen der Output-Obergrenze des 2.5-Native-Audio-Modells, das es ablöst.
  • Function Calling, Search Grounding und Thinking werden unterstützt, Caching, strukturierte Ausgaben, Code-Ausführung und die Batch API nicht, und die Thinking-Tiefe wird mit thinkingLevel auf minimal, low, medium oder high gesetzt, standardmäßig auf minimal für die niedrigste Latenz, anstelle des numerischen thinkingBudget der 2.5-Generation.
  • Die Migrationshinweise sind der nützliche Teil, denn dieses Upgrade entfernt ebenso, wie es ergänzt.
  • Asynchrones Function Calling wird noch nicht unterstützt, Aufrufe laufen also sequenziell, und das Modell beginnt erst zu antworten, wenn die Tool-Antwort eintrifft; proaktives Audio und affektiver Dialog sind entfallen, und ihre Konfiguration muss entfernt werden.
  • Ein einzelnes Server-Event kann jetzt mehrere Content-Teile auf einmal tragen, etwa einen Audio-Chunk und ein Transkript zusammen, sodass Clients, die nur den ersten Teil lesen, still Inhalte verlieren.
  • Die Turn Coverage schließt standardmäßig nun erkannte Audioaktivität und alle Videoframes ein, was die Kosten für Anwendungen erhöhen kann, die durchgehend Video streamen, und Client-Inhalte dürfen nur den anfänglichen Verlauf befüllen.
  • Synthorai stellt es über den OpenAI-kompatiblen /v1/realtime WebSocket-Endpoint bereit.

FAQ

Lässt sich die gemini-3.1-flash-live API kostenlos testen?

gemini-3.1-flash-live befindet sich derzeit in einer geschlossenen Beta. Der Zugang läuft über eine Bewerbung statt offener Registrierung. Beantragen Sie den Zugang in der Synthorai-Konsole; nach der Freigabe gilt die standardmäßige nutzungsbasierte Abrechnung ohne Abo.

Worin ist gemini-3.1-flash-live am besten?

Audio-zu-Audio-Modell für Echtzeitdialog und sprachzentrierte Anwendungen; achtfache Output-Obergrenze des 2.5-Native-Audio-Modells; kein asynchrones Function Calling, Tool-Aufrufe laufen sequenziell. Das vollständige Bild finden Sie im Über-Abschnitt, direkt aus den offiziellen Release Notes des Anbieters.

Was kostet gemini-3.1-flash-live?

gemini-3.1-flash-live kostet auf Synthorai $0.75 pro Million Input-Tokens und $4.5 pro Million Output-Tokens. Das ist der Listenpreis des Anbieters, ohne Plattform-Aufschlag.

Wie rufe ich die gemini-3.1-flash-live-API auf?

gemini-3.1-flash-live ist ein Speech-to-Speech-Modell: Verbinden Sie sich per WebSocket mit wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live über das OpenAI Realtime SDK (oder einen rohen WebSocket) und streamen Sie Audio ein und aus. Es ist kein POST /v1/audio/transcriptions Datei-Upload. Authentifizieren Sie sich mit Ihrem sk-syn-Key und senden Sie nur den Authorization-Header (das Beta-Protokoll ist abgeschaltet).

Wie erhalte ich Zugang zu gemini-3.1-flash-live?

gemini-3.1-flash-live ist in geschlossener Beta: Beantragen Sie den Zugang in der Synthorai-Konsole. Nach der Freigabe funktioniert es wie jedes andere Modell: Richten Sie Ihr OpenAI SDK auf base_url="https://synthorai.io/v1" und setzen Sie model="gemini-3.1-flash-live".

Verwandte Modelle

Vergleichen

Jeder Wert auf dieser Seite ist aus der Dokumentation des Anbieters übernommen, oben verlinkt, und trägt das Datum der Prüfung. Preise werden über den gesamten Katalog verglichen; Spezifikationswerte, die Anbieter unterschiedlich definieren, werden mit benanntem Unterschied gezeigt statt grafisch verglichen. Nichts hier wird von uns gemessen, und nichts wird bewertet.

API-Schlüssel abrufen Ihre Kosten vergleichen →