gemini-3.1-flash-live vs GPT Realtime 2.1
Qual usar, quando — veredito curado, não uma tabela de benchmark
Ambos são modelos de áudio em tempo real cobrados por milhão de tokens, mas o gemini-3.1-flash-live é a opção mais barata: $3 para entrada de áudio contra $32 (cerca de 10.7x menos) e $12 para saída de áudio contra $64, com texto a $0.75/$4.5 contra $4/$24 (aproximadamente 5.3x menos). Ele também aceita entrada de imagem e vídeo junto com áudio e texto, possui um contexto de 131072 tokens com até 65536 tokens de saída, e suas sessões na Live API têm um limite de 15 minutos apenas com áudio (2 minutos com vídeo), a menos que sejam estendidas. Escolha o gpt-realtime-2.1 se quiser a stack de áudio/texto da OpenAI com leituras de cache a $0.4, seu contexto de 128000 tokens e máximo de 32000 de saída.
Preços
| gemini-3.1-flash-live | GPT Realtime 2.1 | Δ | |
|---|---|---|---|
| Entrada de áudio / 1M tokens | $3 | $32 | 0.094× |
| Saída de áudio / 1M tokens | $12 | $64 | 0.19× |
| Leitura de cache de áudio / 1M tokens | — | $0.4 | — |
| Entrada de texto / 1M tokens | $0.75 | $4 | 0.19× |
| Saída de texto / 1M tokens | $4.5 | $24 | 0.19× |
| Escrita de cache | — | sem cobrança separada | — |
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-3.1-flash-live | GPT Realtime 2.1 | |
|---|---|---|
| Controle de raciocínio | sempre ativo | — |
| Cache de prompt | implícito + explícito | implícito (automático) |
| Tempo de vida do cache | não publicado | 5–10m, up to 1h |
| Prefixo mínimo em cache | 4096 tokens | 1024 tokens |
Especificações
| gemini-3.1-flash-live | GPT Realtime 2.1 | |
|---|---|---|
| Modalidades de entrada | texto imagem áudio vídeo | texto áudio |
| Modalidades de saída | texto áudio | texto áudio |
| Lançamento | 2026-03-26 | 2026-07-06 |
| Corte de conhecimento | — | 2024-09 |
| Vozes | Any voice from the Gemini text-to-speech voice set native-audio output models switch languages naturally during a conversation. | — |
| Capacidades da sessão |
|
|
| Janela de contexto | 131K | 128K |
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-3.1-flash-live · GPT Realtime 2.1
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-3.1-flash-live"
# URL = "wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1" # 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())import WebSocket from "ws";
const ws = new WebSocket("wss://synthorai.io/v1/realtime?model=gemini-3.1-flash-live", {
// const ws = new WebSocket("wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1", { // descomente esta linha, comente a linha acima
// 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'
# 'wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1' <<'EOF' # descomente esta linha, comente a linha acima
{"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)
// c, _, err := websocket.DefaultDialer.Dial("wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1", h) // descomente esta linha, comente a linha acima
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() {
// .buildAsync(URI.create("wss://synthorai.io/v1/realtime?model=gpt-realtime-2.1"), new WebSocket.Listener() { // descomente esta linha, comente a linha acima
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);FAQ
Qual é mais barato, gemini-3.1-flash-live ou GPT Realtime 2.1?
gemini-3.1-flash-live é mais barato em entrada de áudio / 1m tokens ($3 vs $32, com 11× de diferença). Outras linhas podem apontar para o outro lado — a tabela acima traz o quadro completo, e o custo real depende do seu mix.
Posso fazer um teste A/B de gemini-3.1-flash-live contra GPT Realtime 2.1 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-3.1-flash-live e GPT Realtime 2.1 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.