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

gemini-2.5-flash-native-audio solo está disponible por invitación. Las cifras de abajo son las tarifas en vivo, pero para llamarlo tu espacio de trabajo necesita antes un permiso: pídenos acceso antes de construir nada a partir de esta comparativa.

gemini-3.1-flash-live solo está disponible por invitación. Las cifras de abajo son las tarifas en vivo, pero para llamarlo tu espacio de trabajo necesita antes un permiso: pídenos acceso antes de construir nada a partir de esta comparativa.

vs

Cuál usar y cuándo

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.

Benchmarks

gemini-3.1-flash-live: el proveedor no ha publicado resultados de benchmarks.

gemini-2.5-flash-native-audio: 8 publicados, pero ningún benchmark compartido con suficientes modelos para comparar.

gemini-2.5-flash-native-audio gemini-3.1-flash-live otros modelos medidos media de los modelos comparados ★ ningún otro modelo puntuó más alto
AMI near+far field (WER)
63.8%
N/A
Big Bench Audio
71%
N/A
BFCL v3 (single-turn, python only)
69.4%
N/A

Publicado por los proveedores: Amazon OpenAI

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 tomadas del catálogo en vivo al generar el sitio; la página de cada modelo tiene la ficha de precios actualizada.

Dónde queda cada uno: precio por 1M de tokens de audio entre los 7 modelos de voz a voz en tiempo real que se facturan en esta unidad (escala logarítmica)

Capacidades

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Control del razonamiento configurable siempre activo
Caché de prompts implícito (automático) implícito (automático)
Duración de la caché no publicado no publicado
Prefijo mínimo en caché 4,096 tokens 4,096 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
Corte de conocimiento 2025-01 -
Voces

Cualquier voz del conjunto de voces de texto a voz de Gemini

los modelos con salida de audio nativa cambian de idioma con naturalidad durante una conversación.

Cualquier voz del conjunto de voces de texto a voz de Gemini

los modelos con salida de audio nativa cambian de idioma con naturalidad durante una conversación.

Capacidades de sesión
  • Llamada a funciones admitida, con declaraciones de función NON_BLOCKING que permiten al modelo seguir hablando mientras se ejecuta una herramienta
  • la interrupción por VAD cancela y descarta la generación en curso
  • grounding de búsqueda y pensamiento admitidos
  • sin caché, salidas estructuradas, ejecución de código ni Batch API
  • La llamada a funciones es solo secuencial: el modelo no empezará a responder hasta que se envíe la respuesta de la herramienta
  • grounding de búsqueda y pensamiento admitidos
  • la interrupción por VAD cancela la generación en curso
  • sin caché, salidas estructuradas, ejecución de código ni Batch API
Ventana de contexto 131.072 131.072

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

Cambia de uno a otro con una sola línea

Los dos ids aparecen en todas las pestañas de abajo; lo único que cambia es el par de líneas resaltadas. El endpoint, la clave y la estructura de la solicitud son los mismos.

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 tu clave API →

Preguntas frecuentes

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

Ambos cobran $3 en «Entrada de audio / 1M tokens». Otras tarifas y la cantidad de unidades consumidas pueden cambiar el coste total.

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

Sí. Los dos se sirven desde el mismo endpoint compatible con OpenAI y con una sola clave API. Para cambiar de uno a otro basta con tocar una línea, el nombre del modelo, así que puedes mandar una parte del tráfico a cada uno y comparar directamente las facturas.

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

En nuestros datos solo figura precio de lectura de caché para uno de los dos; cuando falta la tarifa es porque el proveedor no fija un precio aparte para las lecturas de caché.

Comparativas relacionadas