🎁 新規 無料登録、10回の呼び出しを進呈。最大 $1、カード不要。

gemini-3.1-flash-live vs GPT Realtime 2.1

vs

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

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 / 1Mトークン $3 $32 0.094×
音声出力 / 1Mトークン $12 $64 0.19×
音声キャッシュ読み取り / 1Mトークン $0.4
テキスト入力 / 1Mトークン $0.75 $4 0.19×
テキスト出力 / 1Mトークン $4.5 $24 0.19×
キャッシュ書き込み 別途料金なし

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-3.1-flash-live GPT Realtime 2.1
思考コントロール 常時オン
プロンプトキャッシング 暗黙的 + 明示的 暗黙的 (自動)
キャッシュ有効期間 非公開 5–10m, up to 1h
最小キャッシュプレフィックス 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
知識のカットオフ 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-3.1-flash-live · GPT Realtime 2.1

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

APIキーを取得する →

FAQ

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 / 1mトークン においては gemini-3.1-flash-live の方が安価です($3 対 $32、11× の差)。他の行では逆になる可能性があります — 上の表には完全な情報が記載されており、実際のコストは組み合わせに依存します。

2つの統合を行わずに gemini-3.1-flash-live と GPT Realtime 2.1 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-3.1-flash-live と GPT Realtime 2.1 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。

関連する比較