gemini-2.5-flash-native-audio vs gemini-3.1-flash-live
Lequel, quand — verdict de synthèse, pas un tableau de benchmarks
Les tarifs audio sont identiques ($3 en entrée, $12 en sortie par million) et la mécanique de session aussi — PCM 16 kHz en entrée, 24 kHz en sortie, contexte 128k, plafond de 15 minutes en audio seul — le plus ancien gemini-2.5-flash-native-audio étant légèrement moins cher sur le texte, $0.5 et $2 par million contre $0.75 et $4.5. L'écart fonctionnel porte sur le comportement des outils : gemini-2.5-flash-native-audio accepte les déclarations de fonction NON_BLOCKING, si bien que le modèle continue de parler pendant l'exécution d'un outil, tandis que gemini-3.1-flash-live est séquentiel et ne répond pas avant le retour de l'outil — mais il ajoute l'entrée image à côté du texte, de l'audio et de la vidéo. Prenez le 2.5 pour des conversations riches en outils, le 3.1 pour l'entrée image.
Tarification
| gemini-2.5-flash-native-audio | gemini-3.1-flash-live | Δ | |
|---|---|---|---|
| Entrée audio / 1M tokens | $3 | $3 | = |
| Sortie audio / 1M tokens | $12 | $12 | = |
| Entrée texte / 1M tokens | $0.5 | $0.75 | 0.67× |
| Sortie texte / 1M tokens | $2 | $4.5 | 0.44× |
Tarifs issus du catalogue en direct au moment de la compilation ; chaque page de modèle présente la fiche actuelle.
Où ils se situent — prix pour 1M de tokens audio sur l'ensemble des 6 modèles speech-to-speech en temps réel pour cette unité de facturation (échelle logarithmique)
Capacités
| gemini-2.5-flash-native-audio | gemini-3.1-flash-live | |
|---|---|---|
| Contrôle de la réflexion | configurable | toujours activé |
| Mise en cache du prompt | implicite + explicite | implicite + explicite |
| Durée de vie du cache | non publié | non publié |
| Préfixe minimum mis en cache | 4096 jetons | 4096 jetons |
Spécifications
| gemini-2.5-flash-native-audio | gemini-3.1-flash-live | |
|---|---|---|
| Modalités d'entrée | texte audio vidéo | texte image audio vidéo |
| Modalités de sortie | texte audio | texte audio |
| Sortie | — | 2026-03-26 |
| Limite de connaissances | 2025-01 | — |
| Voix | 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. |
| Capacités de session |
|
|
| Fenêtre de contexte | 131K | 131K |
Les spécifications sont transcrites à partir de la documentation de chaque fournisseur ; une ligne qu'un fournisseur ne publie pas est omise plutôt que déduite. Sources complètes : gemini-2.5-flash-native-audio · gemini-3.1-flash-live
Basculez de l'un à l'autre avec une seule ligne
Les deux ids sont dans chaque onglet ci-dessous — la paire de lignes en surbrillance est la seule modification. Même endpoint, même clé, même structure de requête.
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" # décommentez cette ligne, commentez celle du dessus
# 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-2.5-flash-native-audio", {
// const ws = new WebSocket("wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live", { // décommentez cette ligne, commentez celle du dessus
// 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-2.5-flash-native-audio' <<'EOF'
# 'wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live' <<'EOF' # décommentez cette ligne, commentez celle du dessus
{"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-2.5-flash-native-audio", h)
// c, _, err := websocket.DefaultDialer.Dial("wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live", h) // décommentez cette ligne, commentez celle du dessus
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-2.5-flash-native-audio"), new WebSocket.Listener() {
// .buildAsync(URI.create("wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live"), new WebSocket.Listener() { // décommentez cette ligne, commentez celle du dessus
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);FAQ
Lequel est le moins cher, gemini-2.5-flash-native-audio ou gemini-3.1-flash-live ?
Ils affichent la même valeur pour entrée audio / 1m tokens ($3), donc le prix ne permet pas de trancher ici — consultez les spécifications et les capacités ci-dessous.
Puis-je faire un test A/B de gemini-2.5-flash-native-audio par rapport à gemini-3.1-flash-live sans deux intégrations ?
Oui. Les deux sont servis via le même endpoint compatible OpenAI avec une seule clé API — le basculement est un changement de chaîne de modèle en une ligne, vous pouvez donc diriger une fraction du trafic vers chacun et comparer les factures directement.
Est-ce que gemini-2.5-flash-native-audio et gemini-3.1-flash-live prennent en charge le prompt caching ?
La tarification de la lecture en cache n'est indiquée que pour l'un des deux dans notre flux ; lorsqu'un tarif est manquant, le fournisseur ne tarifie pas les lectures en cache séparément.