gemini-2.5-flash-native-audio vs gemini-3.1-flash-live
いつ、どちらを使うべきか — ベンチマーク表ではなく、厳選された評価
音声の料金は同一(100万あたり入力 $3、出力 $12)で、セッションの作りも同じ — 16 kHz 入力/24 kHz 出力の PCM、128k コンテキスト、音声のみ 15 分の上限 — 古い gemini-2.5-flash-native-audio はテキストがわずかに安く、100万あたり $0.5 と $2 対 $0.75 と $4.5 です。機能上の分かれ目はツールの挙動で、gemini-2.5-flash-native-audio は NON_BLOCKING の関数宣言に対応し、ツール実行中もモデルが話し続けられます。gemini-3.1-flash-live は逐次で、ツールの結果が返るまで応答しません — ただしテキスト・音声・映像に加えて画像入力を備えます。ツールを多用する会話なら 2.5、画像入力なら 3.1 を選んでください。
料金
| gemini-2.5-flash-native-audio | gemini-3.1-flash-live | Δ | |
|---|---|---|---|
| 音声入力 / 1Mトークン | $3 | $3 | = |
| 音声出力 / 1Mトークン | $12 | $12 | = |
| テキスト入力 / 1Mトークン | $0.5 | $0.75 | 0.67× |
| テキスト出力 / 1Mトークン | $2 | $4.5 | 0.44× |
ビルド時のライブカタログの料金です。各モデルのページには現在の料金カードが記載されています。
位置付け — この課金単位におけるすべての6個のリアルタイム音声対音声モデル全体の1M音声トークンあたりの料金 (対数スケール)
機能
| gemini-2.5-flash-native-audio | gemini-3.1-flash-live | |
|---|---|---|
| 思考コントロール | 設定可能 | 常時オン |
| プロンプトキャッシング | 暗黙的 + 明示的 | 暗黙的 + 明示的 |
| キャッシュ有効期間 | 非公開 | 非公開 |
| 最小キャッシュプレフィックス | 4096 トークン | 4096 トークン |
仕様
| gemini-2.5-flash-native-audio | gemini-3.1-flash-live | |
|---|---|---|
| 入力モダリティ | テキスト 音声 動画 | テキスト 画像 音声 動画 |
| 出力モダリティ | テキスト 音声 | テキスト 音声 |
| リリース | — | 2026-03-26 |
| 知識のカットオフ | 2025-01 | — |
| ボイス | 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. |
| セッション機能 |
|
|
| コンテキストウィンドウ | 131K | 131K |
仕様は各ベンダーのドキュメントから転記されています。ベンダーが公開していない行は推測せず、省略しています。 すべての出典: gemini-2.5-flash-native-audio · gemini-3.1-flash-live
1行で切り替え
以下のすべてのタブには両方のIDが含まれています — 変更箇所はハイライトされた2行のみです。エンドポイント、キー、リクエスト形式はすべて同じです。
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" # この行をアンコメントし、上の行をコメントアウトします
# 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", { // この行をアンコメントし、上の行をコメントアウトします
// 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' # この行をアンコメントし、上の行をコメントアウトします
{"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) // この行をアンコメントし、上の行をコメントアウトします
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() { // この行をアンコメントし、上の行をコメントアウトします
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
gemini-2.5-flash-native-audio と gemini-3.1-flash-live ではどちらが安いですか?
同じ 音声入力 / 1mトークン($3)が設定されているため、ここでは価格が決定打にはなりません — 下記の仕様と機能を確認してください。
2つの統合を行わずに gemini-2.5-flash-native-audio と gemini-3.1-flash-live のA/Bテストを実施できますか?
はい。両方とも1つのAPIキーで同じOpenAI互換エンドポイントを通じて提供されます — モデル文字列を1行変更するだけで切り替えられるため、トラフィックの一部をそれぞれにルーティングし、請求額を直接比較できます。
gemini-2.5-flash-native-audio と gemini-3.1-flash-live はプロンプトキャッシングをサポートしていますか?
当社のフィードでは2つのうち1つにのみキャッシュ読み込みの料金が記載されており、料金の記載がない場合、プロバイダーはキャッシュ読み込みを個別に価格設定していません。