🎁 Novità Registrati gratis, 10 chiamate le offriamo noi. Fino a $1, senza carta.

gemini-3.1-flash-live vs GPT Realtime 2.1

vs

Quale scegliere e quando — verdetto curato, non una tabella di benchmark

Entrambi sono modelli audio in tempo reale fatturati per milione di token, ma gemini-3.1-flash-live è l'opzione più economica: $3 per l'input audio contro $32 (circa 10.7x in meno) e $12 per l'output audio contro $64, con il testo a $0.75/$4.5 contro $4/$24 (circa 5.3x in meno). Accetta anche input di immagini e video oltre ad audio e testo, offre un contesto di 131072 token con fino a 65536 token di output, e le sue sessioni Live API hanno un limite di 15 minuti solo audio (2 minuti con video) a meno che non vengano estese. Scegli gpt-realtime-2.1 se desideri lo stack audio/testo di OpenAI con letture dalla cache a $0.4, il suo contesto di 128000 token e 32000 di output massimo.

Prezzi

gemini-3.1-flash-live GPT Realtime 2.1 Δ
Input audio / 1M token $3 $32 0.094×
Output audio / 1M token $12 $64 0.19×
Lettura cache audio / 1M token $0.4
Input di testo / 1M token $0.75 $4 0.19×
Output di testo / 1M token $4.5 $24 0.19×
Scrittura in cache nessun addebito separato

Le tariffe provengono dal catalogo live al momento della build; la pagina di ciascun modello riporta la scheda attuale.

Dove si posizionano — prezzo per 1M di token audio rispetto a tutti gli 6 modelli speech-to-speech in tempo reale con questa unità di fatturazione (scala logaritmica)

Capacità

gemini-3.1-flash-live GPT Realtime 2.1
Controllo del ragionamento sempre attivo
Prompt caching implicito + esplicito implicito (automatico)
Durata della cache non pubblicato 5–10m, up to 1h
Prefisso minimo in cache 4096 token 1024 token

Specifiche

gemini-3.1-flash-live GPT Realtime 2.1
Modalità di input testo immagine audio video testo audio
Modalità di output testo audio testo audio
Rilascio 2026-03-26 2026-07-06
Cutoff di conoscenza 2024-09
Voci

Any voice from the Gemini text-to-speech voice set

native-audio output models switch languages naturally during a conversation.

Funzionalità di sessione
  • 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
Finestra di contesto 131K 128K

Le specifiche sono trascritte dalla documentazione di ciascun fornitore; una riga che un fornitore non pubblica viene omessa anziché essere dedotta. Fonti complete: gemini-3.1-flash-live · GPT Realtime 2.1

Passa dall'uno all'altro con una sola riga

Entrambi gli id sono presenti in ogni scheda qui sotto — la coppia di righe evidenziata è l'unica modifica. Stesso endpoint, stessa chiave, stessa struttura della richiesta.

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"  # decommenta questa riga, commenta quella sopra
# 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())

Ottieni una chiave API →

FAQ

Qual è più economico, gemini-3.1-flash-live o GPT Realtime 2.1?

gemini-3.1-flash-live è più economico per input audio / 1m token ($3 contro $32, 11× di differenza). Altre righe potrebbero indicare il contrario — la tabella sopra riporta la scheda completa, e il costo reale dipende dal tuo mix.

Posso fare un A/B test di gemini-3.1-flash-live contro GPT Realtime 2.1 senza due integrazioni?

Sì. Entrambi sono serviti tramite lo stesso endpoint compatibile con OpenAI con una singola chiave API — il passaggio richiede la modifica della stringa del modello in una sola riga, quindi puoi instradare una frazione del traffico verso ciascuno e confrontare direttamente le fatture.

gemini-3.1-flash-live e GPT Realtime 2.1 supportano il prompt caching?

I prezzi per la lettura in cache sono elencati nel nostro feed solo per uno dei due; dove manca una tariffa, il provider non prezza separatamente le letture in cache.

Confronti correlati