Gemini 3.1 Flash Live は、リアルタイムの対話と音声中心のアプリケーション向けの Google の低レイテンシな audio-to-audio モデルで、モデルページは音響的なニュアンスの検出、数値の正確さ、マルチモーダルな状況把握を特長として挙げています。
- 入力
- テキスト 画像 音声 動画 $0.75/M
- 出力
- テキスト 音声 $4.5/M
- 音声入力
- $3/M
- 音声出力
- $12/M
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) | 65,536 |
思考
| ベンダー側パラメータ | thinkingLevel |
|---|---|
| 指定可能な値 | minimal · low · medium · high |
| デフォルト | minimal リクエストで未指定の場合に適用 |
| 無効化の可否 | 非対応 |
| 思考の挙動 | 最低レイテンシに最適化するためデフォルトは minimal です。Gemini 3 Live モデルは 2.5 Live の thinkingBudget をレベル指定に置き換えました。 |
| パラメータ | reasoning_effort |
| 値 | minimal · low · medium · high ゲートウェイ側のパラメータ面——上のベンダーマッピングが適用されます |
音声
| 言語 | リアルタイムのマルチモーダル会話で 90 を超える言語に対応 |
|---|---|
| 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 + 画像 + 音声 + 動画 → テキスト + 音声 |
|---|
- 音声優先のエージェント向けの低レイテンシな音声から音声へのモデルで、音響的ニュアンスの検出、数値の正確さ、マルチモーダルな状況把握が文書化されています。
- thinkingBudget ではなく thinkingLevel(minimal / low / medium / high)を使い、最低レイテンシのためデフォルトは minimal です。
30 秒で gemini-3.1-flash-live 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-3.1-flash-live"
# 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-3.1-flash-live", {
// 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-3.1-flash-live' <<'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-3.1-flash-live", 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-3.1-flash-live"), 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-3.1-flash-live について
- テキスト・画像・音声・動画を受け付け、Live API のステートフルな WebSocket 経由でテキストと音声を返し、入力上限は 131,072 トークン、出力上限は 65,536 トークンで、これは置き換え対象である 2.5 のネイティブオーディオモデルの出力上限の 8 倍です。
- 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、思考の深さは 2.5 世代が使っていた数値の thinkingBudget ではなく thinkingLevel で minimal、low、medium、high のいずれかに設定し、最も低いレイテンシのために既定は minimal です。
- 有用なのは移行に関する注記です。
- このアップグレードは追加だけでなく削除も行うためです。
- 非同期の関数呼び出しはまだ非対応で、呼び出しは逐次となり、ツールの応答が到着するまでモデルは応答を開始しません。
- proactive audio と affective dialog はなくなり、その設定は取り除く必要があります。
- 1 つのサーバーイベントが音声チャンクと文字起こしなど複数のコンテンツパートを同時に運べるようになったため、最初のパートしか読まないクライアントは黙ってコンテンツを取りこぼします。
- ターンのカバレッジは既定で、検出された音声アクティビティとすべての動画フレームを含むようになり、動画を継続的にストリーミングするアプリケーションではコストが上がる可能性があります。
- またクライアントコンテンツは初期履歴の投入にのみ使える場合があります。
- Synthorai は OpenAI 互換の /v1/realtime WebSocket エンドポイント経由で提供します。
よくある質問
gemini-3.1-flash-live API は無料で試せますか?
gemini-3.1-flash-live 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-3.1-flash-live は何が得意ですか?
リアルタイム対話と音声中心アプリ向けの audio-to-audio モデル、2.5 のネイティブオーディオモデルの 8 倍の出力上限、非同期の関数呼び出しがなく、ツール呼び出しは逐次。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-3.1-flash-live の料金はいくらですか?
Synthorai 上の gemini-3.1-flash-live は入力 100 万トークンあたり $0.75、出力 100 万トークンあたり $4.5 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-3.1-flash-live API はどう呼び出しますか?
gemini-3.1-flash-live は音声対話(speech-to-speech)モデルです。WebSocket で wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live 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-3.1-flash-live を利用するには?
gemini-3.1-flash-live 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-3.1-flash-live" 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。