Gemini 2.5 Flash Native Audio è il modello native-audio di Google per la Live API, che la pagina del modello descrive come abilitante interazioni vocali e video in tempo reale e a bassa latenza con Gemini 2.5 Flash: elabora flussi continui di audio, video o testo e risponde con parlato immediato e simile a quello umano invece di concatenare un trascrittore e un sintetizzatore.
- Input
- testo audio video $0.5/M
- Output
- testo audio $2/M
- Input audio
- $3/M
- Output audio
- $12/M
- Cutoff di conoscenza
- 2025-01
Benchmark
gemini-2.5-flash-native-audio: 8 pubblicati, ma nessun benchmark condiviso con abbastanza modelli per confrontare.
Il prezzo nel contesto
Posizione del prezzo tra 6 modelli comparabili
La barra mostra dove si colloca il prezzo di questo modello tra tutti i modelli dello stesso tipo su Synthorai. Alle due estremità sono indicati il più economico e il più caro. Sono tariffe base; gli sconti per batch, regione e scrittura in cache sono nella pagina dei prezzi.
Specifiche e limiti
Token
| Finestra di contesto (specifica del fornitore) | 131.072 |
|---|---|
| Output massimo (specifica del vendor) | 8.192 |
| Cutoff di conoscenza | 2025-01 |
Ragionamento
| Parametro del fornitore | thinkingBudget |
|---|---|
| Valore predefinito | thinking dinamico applicato se la richiesta non specifica nulla |
| Disattivabile | Sì |
| Comportamento del ragionamento | La guida alla Live API documenta questo modello 2.5 Live come basato su un budget di token anziché su un livello: thinking dinamico attivo di default, thinkingBudget 0 per disattivarlo. |
| Parametro | reasoning_effort |
| Valori | minimal · low · medium · high l'insieme accettato è del provider |
Audio
| Limiti audio |
|
|---|---|
| Trascrizione in streaming | Sì |
Tempo reale
| Voci | Qualsiasi voce del set di voci text-to-speech di Gemini; i modelli con output ad audio nativo cambiano lingua in modo naturale nel corso di una conversazione. |
|---|---|
| Sessione |
|
Modello
| Modalità | testo + audio + video → testo + audio |
|---|
Modello Live API ad audio nativo che elabora l'audio grezzo end to end invece di concatenare STT e TTS. La pagina del modello di Google indica un cutoff di conoscenza a gennaio 2025 e un limite di output insolitamente ridotto di 8.192 token accanto alla finestra di input da 131.072 token.
Usa gemini-2.5-flash-native-audio in 30 secondi
Compatibile con OpenAI Realtime: collegati via WebSocket, audio in ingresso e in uscita. 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);Informazioni su gemini-2.5-flash-native-audio
- Le sessioni girano su un WebSocket con stato, prendendo in ingresso PCM grezzo a 16 bit a 16 kHz e restituendolo a 24 kHz, e il modello accetta audio, video e testo restituendo audio e testo.
- I limiti di token sono 131.072 in input e un valore insolitamente piccolo di 8.192 in output, la finestra di contesto della sessione è di 128k token per i modelli native-audio, e le sessioni solo audio durano 15 minuti, o 2 minuti con il video, se non estese tramite la gestione della sessione.
- Function calling, search grounding e thinking sono supportati; caching, output strutturati, esecuzione di codice e la Batch API no.
- Due capacità distinguono questa generazione dal Live model più recente e sono la ragione per restare su di essa: l'audio proattivo, che consente al modello di decidere di non rispondere quando l'input non è pertinente, e il dialogo affettivo, che adatta lo stile della risposta all'espressione e al tono di chi parla.
- Anche il function calling asincrono è supportato qui, quindi una dichiarazione contrassegnata come non bloccante permette al modello di continuare a parlare mentre uno strumento gira.
- Le voci provengono dal set text-to-speech di Google, l'output native-audio cambia lingua in modo naturale durante una conversazione e non accetta un codice lingua esplicito, e il cutoff di conoscenza è gennaio 2025.
- Synthorai lo espone tramite l'endpoint WebSocket /v1/realtime compatibile OpenAI usato per il resto del suo catalogo vocale.
FAQ
L'API di gemini-2.5-flash-native-audio si può provare gratis?
gemini-2.5-flash-native-audio è attualmente in beta su invito: l'accesso avviene su candidatura, non con registrazione aperta. Invia la richiesta dalla console Synthorai; una volta approvata si applicano le normali tariffe con pagamento a consumo, senza abbonamento.
In cosa eccelle gemini-2.5-flash-native-audio?
Voce e video in tempo reale a bassa latenza sulla Live API; audio proattivo e dialogo affettivo, assenti dal Live model più recente; sessioni solo audio di 15 minuti, due con il video. Il quadro completo è nella sezione «Informazioni», tratto dalle note di rilascio ufficiali del vendor.
Quanto costa gemini-2.5-flash-native-audio?
Su Synthorai, gemini-2.5-flash-native-audio costa $0.5 per milione di token in input e $2 per milione di token in output: il prezzo di listino del provider, senza ricarico della piattaforma.
Come si chiama l'API di gemini-2.5-flash-native-audio?
gemini-2.5-flash-native-audio è un modello speech-to-speech: collegati via WebSocket a wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio con l'SDK OpenAI Realtime (o un WebSocket grezzo) e trasmetti audio in ingresso e in uscita. Non è un caricamento di file POST /v1/audio/transcriptions. Autenticati con la tua chiave sk-syn e invia solo l'header Authorization (il protocollo beta è dismesso).
Come ottengo l'accesso a gemini-2.5-flash-native-audio?
gemini-2.5-flash-native-audio è in beta su invito: richiedi l'accesso dalla console Synthorai. Una volta approvato funziona come ogni altro modello: punta il tuo SDK OpenAI a base_url="https://synthorai.io/v1" e imposta model="gemini-2.5-flash-native-audio".
Modelli correlati
Confronta
Ogni valore di questa pagina è trascritto dalla documentazione del fornitore, collegata sopra, e riporta la data in cui è stato verificato. I prezzi sono confrontati sull'intero catalogo; i valori di specifica che i fornitori definiscono in modo diverso sono mostrati indicando la differenza anziché messi a grafico. Nulla qui è misurato da noi e nulla è valutato con un punteggio.