gemini-3.1-flash-live vs GPT Realtime 2.1
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 |
|
|
| 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())import WebSocket from "ws";
const ws = new WebSocket("wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live", {
// const ws = new WebSocket("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-..." },
});
ws.on("open", () => {
// configure the speech-to-speech session
ws.send(JSON.stringify({ type: "session.update", session: {
type: "realtime", output_modalities: ["audio"], audio: { output: { voice: "alloy" } },
} }));
// send input audio (base64 PCM16), then request a spoken reply
ws.send(JSON.stringify({ type: "input_audio_buffer.append", audio: pcm16Base64 }));
ws.send(JSON.stringify({ type: "input_audio_buffer.commit" }));
ws.send(JSON.stringify({ type: "response.create" }));
});
ws.on("message", (raw) => {
const ev = JSON.parse(raw.toString());
if (ev.type === "response.audio.delta") playAudio(Buffer.from(ev.delta, "base64")); // audio out
else if (ev.type === "response.done") ws.close();
});# Realtime is a WebSocket protocol — use a WS client such as websocat.
# Each line below is one OpenAI Realtime event (JSON) sent to the session.
websocat -H 'Authorization: Bearer sk-syn-...' \
'wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live' <<'EOF'
# 'wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1' <<'EOF' # descomenta esta línea, comenta la de arriba
{"type":"session.update","session":{"type":"realtime","output_modalities":["audio"],"audio":{"output":{"voice":"alloy"}}}}
{"type":"input_audio_buffer.append","audio":"<base64-pcm16>"}
{"type":"input_audio_buffer.commit"}
{"type":"response.create"}
EOF
# Responses stream back as response.audio.delta (base64 audio out) … response.donepackage main
import (
"net/http"
"github.com/gorilla/websocket"
)
func main() {
h := http.Header{}
h.Set("Authorization", "Bearer sk-syn-...")
// Send ONLY the Authorization header — the beta protocol is retired.
c, _, err := websocket.DefaultDialer.Dial("wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live", h)
// c, _, err := websocket.DefaultDialer.Dial("wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1", h) // descomenta esta línea, comenta la de arriba
if err != nil {
panic(err)
}
defer c.Close()
// configure the speech-to-speech session, send audio, request a spoken reply
c.WriteJSON(map[string]any{"type": "session.update", "session": map[string]any{
"type": "realtime", "output_modalities": []string{"audio"},
"audio": map[string]any{"output": map[string]any{"voice": "alloy"}}}})
c.WriteJSON(map[string]any{"type": "input_audio_buffer.append", "audio": pcm16B64})
c.WriteJSON(map[string]any{"type": "input_audio_buffer.commit"})
c.WriteJSON(map[string]any{"type": "response.create"})
for {
var ev struct {
Type string `json:"type"`
Delta string `json:"delta"`
}
if err := c.ReadJSON(&ev); err != nil {
return
}
if ev.Type == "response.audio.delta" {
playAudio(ev.Delta) // base64 audio out
} else if ev.Type == "response.done" {
return
}
}
}import java.net.URI;
import java.net.http.HttpClient;
import java.net.http.WebSocket;
import java.util.concurrent.CompletionStage;
// JDK built-in WebSocket — no extra dependency needed.
WebSocket ws = HttpClient.newHttpClient().newWebSocketBuilder()
.header("Authorization", "Bearer sk-syn-...")
// Send ONLY the Authorization header — the beta protocol is retired.
.buildAsync(URI.create("wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live"), new WebSocket.Listener() {
// .buildAsync(URI.create("wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1"), new WebSocket.Listener() { // descomenta esta línea, comenta la de arriba
public CompletionStage<?> onText(WebSocket w, CharSequence data, boolean last) {
// handle response.audio.delta (base64 audio out) / response.done here
w.request(1);
return null;
}
}).join();
// configure the session, send input audio, then request a spoken reply
ws.sendText("{\"type\":\"session.update\",\"session\":{\"type\":\"realtime\",\"output_modalities\":[\"audio\"],\"audio\":{\"output\":{\"voice\":\"alloy\"}}}}", true);
ws.sendText("{\"type\":\"input_audio_buffer.append\",\"audio\":\"<base64-pcm16>\"}", true);
ws.sendText("{\"type\":\"input_audio_buffer.commit\"}", true);
ws.sendText("{\"type\":\"response.create\"}", true);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.