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

gemini-3.1-flash-live vs GPT Realtime 2.1

vs

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
  • 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
  • Speech-to-speech over WebSocket
  • configurable reasoning effort
  • tool use
  • interruption handling
  • 128K context
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())

Obter uma chave de API →

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.

Comparações relacionadas