gemini-3.1-flash-live vs nova-2-sonic

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。

nova-2-sonic 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

音声はどちらも 100万あたり入力 $3、出力 $12 と同額なので、請求はテキストで分かれます。nova-2-sonic は 100万あたり $0.06 と $0.24 で、$0.75 と $4.5 に対しておよそ 12 分の 1 と 19 分の 1 です。gemini-3.1-flash-live は入力が広い方で、テキスト・画像・音声・映像、90 を超える言語、音声のみのセッション 15 分。nova-2-sonic は音声とテキストのみ、接続は 8 分が上限で継続手順が文書化されており、提供は 4 リージョンです。テキストが重いセッションのコストなら nova-2-sonic、映像入力と言語カバレッジなら gemini-3.1-flash-live。

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。

nova-2-sonic: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。

gemini-3.1-flash-live nova-2-sonic 測定された他モデル 他モデルの平均 ★ これを上回るモデルなし
AMI near+far field (WER)
N/A
29.7%
Big Bench Audio
N/A
87%
BFCL v3 (single-turn, python only)
N/A
74.5%

ベンダー公表値: Amazon OpenAI

料金

gemini-3.1-flash-live nova-2-sonic 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 $0.75 $0.06 13×
テキスト出力 / 100 万トークン $4.5 $0.24 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 7 件、対数スケール)

対応機能

gemini-3.1-flash-live nova-2-sonic
思考の制御 常時オン -
プロンプトキャッシュ 自動(暗黙的) 非対応
キャッシュ保持時間 公表なし 該当なし
キャッシュ対象の最小プレフィックス 4,096 トークン 該当なし

仕様

gemini-3.1-flash-live nova-2-sonic
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 2025-12-02
ボイス Gemini のテキスト読み上げボイスセットに含まれる任意のボイス。ネイティブオーディオ出力モデルは会話中に自然に言語を切り替えます。 ロケールごとに女性的な声と男性的な声を用意(tiffany/matthew en-US、amy en-GB、olivia en-AU、kiara/arjun en-IN および hi-IN、ambre/florian fr-FR、beatrice/lorenzo it-IT、tina/lennart de-DE、lupe/carlos es-US、carolina/leo pt-BR)。tiffany と matthew は対応するすべての言語を話すポリグロットボイスです。
セッション機能
  • 関数呼び出しは逐次実行のみで、ツールの応答が送られるまでモデルは応答を開始しません
  • 検索グラウンディングと思考に対応
  • VAD による割り込みは進行中の生成をキャンセルします
  • キャッシュ、構造化出力、コード実行、Batch API は非対応
  • エンドポイント検出の感度を設定できるインテリジェントなターンテイキング
  • コンテキストを失わない自然な割り込み処理
  • 非同期のツール処理を伴う関数呼び出し(ツール実行中もアシスタントは話し続けます)
  • RAG グラウンディング
  • 1 つの会話での音声とテキストの混在入力
  • 8 分の接続上限
コンテキストウィンドウ 131,072 1,000,000

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 · nova-2-sonic

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=nova-2-sonic"  # 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 nova-2-sonic ではどちらが安いですか?

どちらも「音声入力 / 100 万トークン」は $3 です。他の単価や使用量によって合計費用は変わります。

gemini-3.1-flash-live と nova-2-sonic 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 nova-2-sonic 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