新規 無料登録で、呼び出し 10 回分(最大 $1)をお試しいただけます。カード登録は不要です。

gemini-3.1-flash-live vs GPT Realtime 2.1

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。

GPT Realtime 2.1 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。

vs

どんなときに、どちらを選ぶか

両者とも100万トークン単位で課金されるリアルタイムオーディオモデルですが、gemini-3.1-flash-liveの方が安価なルートです。オーディオ入力は$32に対して$3(約10.7x安価)、オーディオ出力は$64に対して$12であり、テキストは$4/$24に対して$0.75/$4.5(約5.3x安価)となります。また、オーディオやテキストと併せて画像やビデオの入力も受け付け、131072トークンのコンテキストと最大65536の出力トークンを備えており、延長しない限りLive APIセッションはオーディオ専用で15分(ビデオ付きで2分)が上限となります。$0.4のキャッシュ読み取りを備えたOpenAIのオーディオ/テキストスタック、その128000トークンのコンテキストと最大出力32000が必要な場合は、gpt-realtime-2.1を選択してください。

料金

gemini-3.1-flash-live GPT Realtime 2.1 Δ
音声入力 / 100 万トークン $3 $32 0.094×
音声出力 / 100 万トークン $12 $64 0.19×
音声キャッシュ読み取り / 100 万トークン - $0.4 -
テキスト入力 / 100 万トークン $0.75 $4 0.19×
テキスト出力 / 100 万トークン $4.5 $24 0.19×
キャッシュ書き込み - 追加料金なし -

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-3.1-flash-live GPT Realtime 2.1
思考の制御 常時オン -
プロンプトキャッシュ 自動 + 明示 自動(暗黙的)
キャッシュ保持時間 公表なし 5-10m, up to 1h
キャッシュ対象の最小プレフィックス 4096 トークン 1024 トークン

仕様

gemini-3.1-flash-live GPT Realtime 2.1
入力モダリティ テキスト 画像 音声 動画 テキスト 音声
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 2026-07-06
知識カットオフ - 2024-09
ボイス

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
  • 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
コンテキストウィンドウ 131K 128K

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-3.1-flash-live · GPT Realtime 2.1

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-3.1-flash-live"
# URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1"  # 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())

API キーを取得 →

よくある質問

gemini-3.1-flash-live と GPT Realtime 2.1 ではどちらが安いですか?

音声入力 / 100 万トークンは gemini-3.1-flash-live のほうが安くなります($3 対 $32、11 倍の差)。ほかの行では逆になることもあります。料金の全体は上の表に掲載しており、実際のコストは利用の内訳によって変わります。

gemini-3.1-flash-live と GPT Realtime 2.1 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-3.1-flash-live と GPT Realtime 2.1 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。

関連する比較

当社の実測レポートより