gemini-2.5-flash-native-audio vs gemini-3.1-flash-live
gemini-2.5-flash-native-audio は招待制で提供しています。以下の数値は現在適用されている料金ですが、呼び出すにはワークスペースへの利用許可が必要です。この比較をもとに開発を始める前に、当社まで利用をお申し込みください。
gemini-3.1-flash-live は招待制で提供しています。以下の数値は現在適用されている料金ですが、呼び出すにはワークスペースへの利用許可が必要です。この比較をもとに開発を始める前に、当社まで利用をお申し込みください。
どんなときに、どちらを選ぶか
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。
ベンチマーク
gemini-3.1-flash-live:ベンダーがベンチマークスコアを公表していません。
gemini-2.5-flash-native-audio:公表値は 8 件ありますが、比較できるだけの数のモデルが測定している項目がありません。
料金
| gemini-2.5-flash-native-audio | gemini-3.1-flash-live | Δ | |
|---|---|---|---|
| 音声入力 / 100 万トークン | $3 | $3 | = |
| 音声出力 / 100 万トークン | $12 | $12 | = |
| テキスト入力 / 100 万トークン | $0.5 | $0.75 | 0.67× |
| テキスト出力 / 100 万トークン | $2 | $4.5 | 0.44× |
ビルド時点の現行カタログの料金です。最新の料金表は各モデルのページに掲載しています。
両モデルの位置:音声トークン 100 万あたりの料金(この課金単位のリアルタイム音声対話モデル全 6 件、対数スケール)
対応機能
| gemini-2.5-flash-native-audio | gemini-3.1-flash-live | |
|---|---|---|
| 思考の制御 | 設定可能 | 常時オン |
| プロンプトキャッシュ | 自動 + 明示 | 自動 + 明示 |
| キャッシュ保持時間 | 公表なし | 公表なし |
| キャッシュ対象の最小プレフィックス | 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しています。ベンダーが公表していない項目は、推測で埋めずに省いています。 出典の一覧: gemini-2.5-flash-native-audio · gemini-3.1-flash-live
1 行の変更で切り替え
以下のどのタブにも両方のモデル ID が入っています。書き換えるのはハイライトされた 2 行だけで、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" # この行のコメントを外し、上の行をコメントアウト
# 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", { // この行のコメントを外し、上の行をコメントアウト
// 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' # この行のコメントを外し、上の行をコメントアウト
{"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) // この行のコメントを外し、上の行をコメントアウト
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() { // この行のコメントを外し、上の行をコメントアウト
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);よくある質問
gemini-2.5-flash-native-audio と gemini-3.1-flash-live ではどちらが安いですか?
音声入力 / 100 万トークンはどちらも同じ($3)なので、価格は決め手になりません。以下の仕様と対応機能を見比べてください。
gemini-2.5-flash-native-audio と gemini-3.1-flash-live の A/B テストは、実装を 2 つ用意せずにできますか?
はい。どちらも同じ OpenAI 互換エンドポイントから 1 つの API キーで利用できます。切り替えはモデル名の文字列を 1 行変えるだけなので、トラフィックの一部をそれぞれに振り分けて、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ュに対応していますか?
当社の価格データでキャッシュ読み取りの料金が設定されているのは、2 つのうち 1 つだけです。料金の記載がないモデルでは、プロバイダーがキャッシュ読み取りに個別の価格を設定していません。