Gemini 2.5 Flash Native Audio は Google のネイティブオーディオの Live API モデルで、モデルページは Gemini 2.5 Flash による低レイテンシでリアルタイムな音声と動画のやり取りを可能にするものと説明しています。
- 入力
- テキスト 音声 動画 $0.5/M
- 出力
- テキスト 音声 $2/M
- 音声入力
- $3/M
- 音声出力
- $12/M
- 知識カットオフ
- 2025-01
ベンチマーク
gemini-2.5-flash-native-audio:8 件公開されているが、比較に足る数のモデルが測っている項目がない。
価格の位置づけ
同種 6 モデル中の料金の位置
このバーは、Synthorai 上の同種モデルの中でこのモデルの価格がどこに位置するかを示します。両端には最も安いモデルと最も高いモデルの名前が入ります。表示は基本料金で、バッチ・リージョン・キャッシュ書き込みの割引は料金ページにあります。
スペックと制限
トークン
| コンテキストウィンドウ(ベンダー仕様) | 131,072 |
|---|---|
| 最大出力(ベンダー仕様) | 8,192 |
| 知識カットオフ | 2025-01 |
思考
| ベンダー側パラメータ | thinkingBudget |
|---|---|
| デフォルト | 動的思考 リクエストで未指定の場合に適用 |
| 無効化の可否 | 対応 |
| 思考の挙動 | Live API ガイドでは、この 2.5 Live モデルはレベルではなくトークンバジェットを使うと記載されています。デフォルトで動的思考がオンで、thinkingBudget 0 で無効化します。 |
| パラメータ | reasoning_effort |
| 値 | minimal · low · medium · high 受け付ける範囲はプロバイダー次第 |
音声
| 音声の制限 |
|
|---|---|
| ストリーミング文字起こし | 対応 |
リアルタイム
| 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。 |
|---|---|
| セッション |
|
モデル
| モダリティ | テキスト + 音声 + 動画 → テキスト + 音声 |
|---|
- STT と TTS を連結するのではなく、生の音声をエンドツーエンドで処理するネイティブオーディオの Live API モデル。
- Google のモデルページには 2025 年 1 月の知識カットオフと、131,072 トークンの入力ウィンドウに対して異例に小さい 8,192 トークンの出力上限が記載されています。
30 秒で gemini-2.5-flash-native-audio を使う
OpenAI Realtime 互換:WebSocket で接続し、音声入力・音声出力。WS /v1/realtime
import asyncio, base64, json, websockets
URL = "wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio"
# 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", {
// 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'
{"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)
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() {
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);gemini-2.5-flash-native-audio について
- 音声・動画・テキストの連続したストリームを処理し、文字起こしと音声合成を連結するのではなく、即座に人間らしい音声で応答します。
- セッションはステートフルな WebSocket 上で動作し、16 kHz の 16 ビット PCM を受け取り 24 kHz で返します。
- モデルは音声・動画・テキストを受け付け、音声とテキストを返します。
- トークン上限は入力 131,072、出力は異例に小さい 8,192 で、ネイティブオーディオモデルのセッションコンテキストウィンドウは 128k トークン、音声のみのセッションは 15 分、動画を伴う場合は 2 分で、セッション管理により延長しない限りこの範囲です。
- 関数呼び出し、検索グラウンディング、思考に対応し、キャッシュ、構造化出力、コード実行、Batch API には非対応です。
- この世代を新しい Live モデルと分ける 2 つの機能が、こちらに留まる理由になります。
- 入力が関連しないときにモデルが応答しないことを選べる proactive audio と、話者の表情や声のトーンに応じて応答スタイルを適応させる affective dialog です。
- 非同期の関数呼び出しもここでは対応しており、非ブロッキングと指定した宣言により、ツールの実行中もモデルは話し続けられます。
- 音声は Google のテキスト読み上げのセットから選ばれ、ネイティブオーディオの出力は会話中に自然に言語を切り替え、明示的な言語コードは受け付けません。
- 知識カットオフは 2025 年 1 月です。
- Synthorai は音声カタログの他のモデルと同じ OpenAI 互換の /v1/realtime WebSocket エンドポイント経由で公開します。
よくある質問
gemini-2.5-flash-native-audio API は無料で試せますか?
gemini-2.5-flash-native-audio は現在招待制ベータです。オープン登録ではなく申請制で、Synthorai コンソールから申請できます。承認後は標準の従量課金が適用され、サブスクリプションは不要です。
gemini-2.5-flash-native-audio は何が得意ですか?
Live API 経由の低レイテンシなリアルタイム音声・動画、新しい Live モデルにはない proactive audio と affective dialog、音声のみのセッションは 15 分、動画ありでは 2 分。全体像はベンダー公式のリリースノートに基づく「このモデルについて」セクションをご覧ください。
gemini-2.5-flash-native-audio の料金はいくらですか?
Synthorai 上の gemini-2.5-flash-native-audio は入力 100 万トークンあたり $0.5、出力 100 万トークンあたり $2 です。ベンダー定価のままで、プラットフォーム手数料はありません。
gemini-2.5-flash-native-audio API はどう呼び出しますか?
gemini-2.5-flash-native-audio は音声対話(speech-to-speech)モデルです。WebSocket で wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio に接続し、OpenAI Realtime SDK(または生の WebSocket)で音声入力・音声出力を行います。POST /v1/audio/transcriptions のファイルアップロードではありません。sk-syn キーで認証し、Authorization ヘッダーのみを送信してください(beta プロトコルは廃止済み)。
gemini-2.5-flash-native-audio を利用するには?
gemini-2.5-flash-native-audio は招待制ベータです。Synthorai コンソールからアクセスを申請してください。承認後は他のモデルと同じ使い方です。OpenAI SDK の base_url を "https://synthorai.io/v1" に向け、model="gemini-2.5-flash-native-audio" を設定するだけです。
関連モデル
比較
このページの値はすべてベンダー自身のドキュメント(上部にリンク)から転記し、確認した日付を付しています。価格はカタログ全体で比較しますが、ベンダーごとに定義が異なる仕様値は差異を明記するにとどめ、図表で比較はしません。当社が測定した数値はなく、スコアも付けていません。