🎁 Novo Cadastre-se grátis, 10 chamadas por nossa conta. Até US$ 1, sem cartão.

gemini-2.5-flash-native-audio vs gemini-3.1-flash-live

vs

Qual usar, quando — veredito curado, não uma tabela de benchmark

As tarifas de áudio são idênticas ($3 de entrada, $12 de saída por milhão) e a mecânica de sessão também — PCM de 16 kHz na entrada e 24 kHz na saída, contexto de 128k, teto de 15 minutos em áudio puro — com o mais antigo gemini-2.5-flash-native-audio um pouco mais barato no texto, $0.5 e $2 por milhão contra $0.75 e $4.5. A diferença funcional está no comportamento das ferramentas: o gemini-2.5-flash-native-audio suporta declarações de função NON_BLOCKING, de modo que o modelo continua falando enquanto uma ferramenta roda, enquanto o gemini-3.1-flash-live é sequencial e não responde até o resultado chegar — mas acrescenta entrada de imagem ao lado de texto, áudio e vídeo. Escolha o 2.5 para conversas cheias de ferramentas, o 3.1 para entrada de imagem.

Preços

gemini-2.5-flash-native-audio gemini-3.1-flash-live Δ
Entrada de áudio / 1M tokens $3 $3 =
Saída de áudio / 1M tokens $12 $12 =
Entrada de texto / 1M tokens $0.5 $0.75 0.67×
Saída de texto / 1M tokens $2 $4.5 0.44×

Tarifas do catálogo em tempo real no momento do build; a página de cada modelo contém o cartão atual.

Onde eles se posicionam — preço por 1M tokens de áudio entre todos os 6 modelos de fala para fala em tempo real nesta unidade de cobrança (escala logarítmica)

Capacidades

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Controle de raciocínio configurável sempre ativo
Cache de prompt implícito + explícito implícito + explícito
Tempo de vida do cache não publicado não publicado
Prefixo mínimo em cache 4096 tokens 4096 tokens

Especificações

gemini-2.5-flash-native-audio gemini-3.1-flash-live
Modalidades de entrada texto áudio vídeo texto imagem áudio vídeo
Modalidades de saída texto áudio texto áudio
Lançamento 2026-03-26
Corte de conhecimento 2025-01
Vozes

Any voice from the Gemini text-to-speech voice set

native-audio output models switch languages naturally during a conversation.

Any voice from the Gemini text-to-speech voice set

native-audio output models switch languages naturally during a conversation.

Capacidades da sessão
  • Function calling supported, with NON_BLOCKING function declarations letting the model keep talking while a tool runs
  • VAD interruption cancels and discards the in-flight generation
  • search grounding and thinking supported
  • no caching, structured outputs, code execution or Batch API
  • 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
Janela de contexto 131K 131K

As especificações são transcritas da documentação de cada fornecedor; uma linha que um fornecedor não publica é omitida em vez de ser inferida. Fontes completas: gemini-2.5-flash-native-audio · gemini-3.1-flash-live

Alterne entre eles com uma linha

Ambos os IDs estão em todas as abas abaixo — o par de linhas destacado é a única edição. Mesmo endpoint, mesma chave, mesmo formato de requisição.

import asyncio, base64, json, websockets

URL = "wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio"
# URL = "wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live"  # descomente esta linha, comente a linha acima
# 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())

Obter uma chave de API →

FAQ

Qual é mais barato, gemini-2.5-flash-native-audio ou gemini-3.1-flash-live?

Eles listam a mesma entrada de áudio / 1m tokens ($3), então o preço não decide este caso — veja as especificações e capacidades abaixo.

Posso fazer um teste A/B de gemini-2.5-flash-native-audio contra gemini-3.1-flash-live sem duas integrações?

Sim. Ambos são servidos pelo mesmo endpoint compatível com OpenAI com uma única chave de API — a troca é uma alteração de uma linha na string do modelo, de modo que você pode rotear uma fração do tráfego para cada um e comparar as faturas diretamente.

gemini-2.5-flash-native-audio e gemini-3.1-flash-live suportam prompt caching?

O preço de leitura em cache está listado para apenas um dos dois em nosso feed; onde falta uma taxa, o provedor não precifica as leituras em cache separadamente.

Comparações relacionadas