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

gemini-3.1-flash-live vs GPT Realtime 2.1

vs

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

Ambos son modelos de audio en tiempo real facturados por millón de tokens, pero gemini-3.1-flash-live es la opción más económica: $3 de entrada de audio frente a $32 (aproximadamente 10.7x menos) y $12 de salida de audio frente a $64, con el texto a $0.75/$4.5 frente a $4/$24 (aproximadamente 5.3x menos). También admite entrada de imágenes y video junto con audio y texto, tiene un contexto de 131072 tokens con hasta 65536 tokens de salida, y sus sesiones de Live API tienen un límite de 15 minutos solo con audio (2 minutos con video) a menos que se extiendan. Elige gpt-realtime-2.1 si deseas el stack de audio/texto de OpenAI con lecturas en caché a $0.4, su contexto de 128000 tokens y 32000 de salida máxima.

Precios

gemini-3.1-flash-live GPT Realtime 2.1 Δ
Entrada de audio / 1M tokens $3 $32 0.094×
Salida de audio / 1M tokens $12 $64 0.19×
Lectura de caché de audio / 1M tokens $0.4
Entrada de texto / 1M tokens $0.75 $4 0.19×
Salida de texto / 1M tokens $4.5 $24 0.19×
Escritura en caché sin cargo por separado

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-3.1-flash-live GPT Realtime 2.1
Control de pensamiento siempre activo
Caché de prompt implícito + explícito implícito (automático)
Tiempo de vida de la caché no publicado 5–10m, up to 1h
Prefijo mínimo en caché 4096 tokens 1024 tokens

Especificaciones

gemini-3.1-flash-live GPT Realtime 2.1
Modalidades de entrada texto imagen audio vídeo texto audio
Modalidades de salida texto audio texto audio
Lanzamiento 2026-03-26 2026-07-06
Límite de conocimiento 2024-09
Voces

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 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
  • Speech-to-speech over WebSocket
  • configurable reasoning effort
  • tool use
  • interruption handling
  • 128K context
Ventana de contexto 131K 128K

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-3.1-flash-live · GPT Realtime 2.1

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-3.1-flash-live"
# URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1"  # 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-3.1-flash-live o GPT Realtime 2.1?

gemini-3.1-flash-live es más barato en entrada de audio / 1m tokens ($3 vs $32, con una diferencia de 11×). Otras filas pueden indicar lo contrario — la tabla anterior muestra la ficha completa, y el costo real depende de su combinación.

¿Puedo hacer pruebas A/B de gemini-3.1-flash-live frente a GPT Realtime 2.1 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-3.1-flash-live y GPT Realtime 2.1 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