Gemini 2.5 Flash Native Audio est le modèle à audio natif de Google pour la Live API, que la page modèle décrit comme permettant des interactions vocales et vidéo en temps réel à faible latence avec Gemini 2.5 Flash : il traite des flux continus d'audio, de vidéo ou de texte et répond par une parole immédiate et proche de l'humain, au lieu d'enchaîner un transcripteur et un synthétiseur.
- Entrée
- texte audio vidéo $0.5/M
- Sortie
- texte audio $2/M
- Entrée audio
- $3/M
- Sortie audio
- $12/M
- Coupure des connaissances
- 2025-01
Benchmarks
gemini-2.5-flash-native-audio : 8 résultats publiés, mais aucun benchmark en commun avec assez d'autres modèles pour comparer.
Le prix en perspective
Position du prix parmi 6 modèles comparables
La barre situe le prix de ce modèle parmi tous les modèles du même type sur Synthorai. Le moins cher et le plus cher sont nommés à chaque extrémité. Ce sont des tarifs de base ; les remises liées au batch, à la région et aux écritures de cache figurent sur la page des tarifs.
Spécifications et limites
Tokens
| Fenêtre de contexte (spécification du fournisseur) | 131 072 |
|---|---|
| Sortie max (spéc. fournisseur) | 8 192 |
| Coupure des connaissances | 2025-01 |
Réflexion
| Paramètre du fournisseur | thinkingBudget |
|---|---|
| Valeur par défaut | réflexion dynamique appliquée si la requête ne précise rien |
| Désactivable | Oui |
| Comportement de la réflexion | Le guide Live API documente ce modèle 2.5 Live comme utilisant un budget de tokens plutôt qu'un niveau: réflexion dynamique activée par défaut, thinkingBudget 0 pour la désactiver. |
| Paramètre | reasoning_effort |
| Valeurs | minimal · low · medium · high les valeurs acceptées sont celles du fournisseur |
Audio
| Limites audio |
|
|---|---|
| Transcription en streaming | Oui |
Temps réel
| Voix | N'importe quelle voix du jeu de voix text-to-speech de Gemini ; les modèles à sortie audio native changent de langue naturellement au cours d'une conversation. |
|---|---|
| Session |
|
Modèle
| Modalités | texte + audio + vidéo → texte + audio |
|---|
Modèle Live API à audio natif qui traite l'audio brut de bout en bout au lieu de chaîner STT et TTS. La page modèle de Google indique une date limite des connaissances en janvier 2025 et une limite de sortie inhabituellement faible de 8 192 tokens, à côté d'une fenêtre d'entrée de 131 072 tokens.
Utilisez gemini-2.5-flash-native-audio en 30 secondes
Compatible OpenAI Realtime : connectez-vous en WebSocket, les flux audio circulent en continu dans les deux sens. WS /v1/realtime
import asyncio, base64, json, websockets
URL = "wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio"
# 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", {
// 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'
{"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)
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() {
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);À propos de gemini-2.5-flash-native-audio
- Les sessions s'exécutent sur un WebSocket avec état, prenant du PCM 16 bits brut à 16 kHz en entrée et le renvoyant à 24 kHz, et le modèle accepte l'audio, la vidéo et le texte tout en renvoyant de l'audio et du texte.
- Les limites de tokens sont de 131 072 en entrée et de 8 192 en sortie, une valeur inhabituellement basse, la fenêtre de contexte de session est de 128k tokens pour les modèles à audio natif, et les sessions audio seules durent 15 minutes, ou 2 minutes avec la vidéo, sauf prolongation via la gestion de session.
- L'appel de fonctions, l'ancrage par recherche et la réflexion sont pris en charge ; la mise en cache, les sorties structurées, l'exécution de code et la Batch API ne le sont pas.
- Deux capacités distinguent cette génération du modèle Live plus récent et constituent la raison d'y rester : l'audio proactif, qui laisse le modèle décider de ne pas répondre quand l'entrée n'est pas pertinente, et le dialogue affectif, qui adapte le style de réponse à l'expression et au ton du locuteur.
- L'appel de fonctions asynchrone est également pris en charge ici, de sorte qu'une déclaration marquée non bloquante laisse le modèle continuer à parler pendant l'exécution d'un outil.
- Les voix proviennent de l'ensemble text-to-speech de Google, la sortie à audio natif change de langue naturellement au cours d'une conversation et n'accepte pas de code de langue explicite, et la date limite des connaissances est janvier 2025.
- Synthorai l'expose via l'endpoint WebSocket /v1/realtime compatible OpenAI utilisé pour le reste de son catalogue vocal.
FAQ
Peut-on essayer l'API gemini-2.5-flash-native-audio gratuitement ?
gemini-2.5-flash-native-audio est actuellement en bêta sur invitation : l'accès se fait sur demande, et non par inscription libre. Faites votre demande depuis la console Synthorai ; une fois qu'elle est acceptée, la tarification à l'usage habituelle s'applique, sans abonnement.
Quels sont les points forts de gemini-2.5-flash-native-audio ?
Voix et vidéo en temps réel à faible latence via la Live API ; audio proactif et dialogue affectif, absents du modèle Live plus récent ; sessions audio seules de 15 minutes, deux avec la vidéo. La section À propos en donne un aperçu complet, tiré des notes de version du fournisseur.
Combien coûte gemini-2.5-flash-native-audio ?
Sur Synthorai, gemini-2.5-flash-native-audio coûte $0.5 par million de tokens en entrée et $2 par million de tokens en sortie, soit le tarif public du fournisseur, sans majoration de plateforme.
Comment appeler l'API gemini-2.5-flash-native-audio ?
gemini-2.5-flash-native-audio est un modèle speech-to-speech : connectez-vous en WebSocket à wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio avec le SDK OpenAI Realtime (ou un WebSocket brut), puis envoyez et recevez l'audio en continu. Ce n'est pas un envoi de fichier via POST /v1/audio/transcriptions. Authentifiez-vous avec votre clé sk-syn en n'envoyant que l'en-tête Authorization (le protocole beta a été retiré).
Comment obtenir l'accès à gemini-2.5-flash-native-audio ?
gemini-2.5-flash-native-audio est en bêta sur invitation : demandez l'accès depuis la console Synthorai. Une fois la demande acceptée, il fonctionne comme tous les autres modèles : dans votre SDK OpenAI, indiquez base_url="https://synthorai.io/v1" et model="gemini-2.5-flash-native-audio".
Modèles associés
Comparer
Chaque valeur de cette page est reprise de la documentation du fournisseur (lien ci-dessus) et porte la date de sa vérification. Les prix sont comparés à l'échelle du catalogue. Quand les fournisseurs ne définissent pas une spécification de la même façon, la différence est signalée et la valeur n'est pas mise en graphique. Nous ne mesurons rien ici et nous n'attribuons aucune note.