🎁 Nuevo Regístrate gratis, 10 llamadas de regalo. Hasta 1 $, sin tarjeta.

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

vs

Cuál usar y cuándo — veredicto seleccionado, no una tabla de benchmarks

Las tarifas de audio son idénticas ($3 de entrada, $12 de salida por millón) y la mecánica de sesión también — PCM de 16 kHz de entrada y 24 kHz de salida, contexto de 128k, tope de 15 minutos en audio solo — con el más antiguo gemini-2.5-flash-native-audio algo más barato en texto, $0.5 y $2 por millón frente a $0.75 y $4.5. La diferencia funcional está en el comportamiento de las herramientas: gemini-2.5-flash-native-audio admite declaraciones de función NON_BLOCKING, de modo que el modelo sigue hablando mientras una herramienta se ejecuta, mientras que gemini-3.1-flash-live es secuencial y no responde hasta que llega el resultado — pero añade entrada de imagen junto a texto, audio y vídeo. Elige el 2.5 para conversaciones intensivas en herramientas, el 3.1 para entrada de imagen.

Precios

gemini-2.5-flash-native-audio gemini-3.1-flash-live Δ
Entrada de audio / 1M tokens $3 $3 =
Salida de audio / 1M tokens $12 $12 =
Entrada de texto / 1M tokens $0.5 $0.75 0.67×
Salida de texto / 1M tokens $2 $4.5 0.44×

Tarifas del catálogo en vivo en el momento de la compilación; la página de cada modelo incluye la ficha actualizada.

Dónde se sitúan — precio por 1M de tokens de audio en todos los 6 modelos de voz a voz en tiempo real en esta unidad de facturación (escala logarítmica)

Capacidades

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Control de pensamiento configurable siempre activo
Caché de prompt implícito + explícito implícito + explícito
Tiempo de vida de la caché no publicado no publicado
Prefijo mínimo en caché 4096 tokens 4096 tokens

Especificaciones

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Modalidades de entrada texto audio vídeo texto imagen audio vídeo
Modalidades de salida texto audio texto audio
Lanzamiento 2026-03-26
Límite de conocimiento 2025-01
Voces

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.

Capacidades de sesión
  • 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
Ventana de contexto 131K 131K

Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica una fila, se omite en lugar de inferirse. Fuentes completas: gemini-2.5-flash-native-audio · gemini-3.1-flash-live

Cambia entre ellos con una línea

Ambos IDs están en cada pestaña a continuación — el par de líneas resaltadas es la única edición. Mismo endpoint, misma clave, misma estructura de solicitud.

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"  # descomenta esta línea, comenta la de arriba
# 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())

Obtén una clave de API →

Preguntas frecuentes

¿Cuál es más barato, gemini-2.5-flash-native-audio o gemini-3.1-flash-live?

Muestran el mismo entrada de audio / 1m tokens ($3), por lo que el precio no es el factor decisivo en este caso — vea las especificaciones y capacidades a continuación.

¿Puedo hacer pruebas A/B de gemini-2.5-flash-native-audio frente a gemini-3.1-flash-live sin dos integraciones?

Sí. Ambos se sirven a través del mismo endpoint compatible con OpenAI con una clave API — el cambio es una modificación de una línea en la cadena del modelo, por lo que puede enrutar una fracción del tráfico a cada uno y comparar las facturas directamente.

¿Admiten gemini-2.5-flash-native-audio y gemini-3.1-flash-live caché de prompts?

Los precios de lectura en caché figuran para solo uno de los dos en nuestro feed; donde falta una tarifa, el proveedor no cobra las lecturas en caché por separado.

Comparaciones relacionadas