新用戶 免費註冊,送 10 次呼叫,最高 $1,免綁卡。

gemini-2.5-flash-native-audio

邀請制測試 工具呼叫推理

Gemini 2.5 Flash Native Audio 是 Google 的原生音訊 Live API 模型,模型頁把它描述為讓與 Gemini 2.5 Flash 之間的低延遲即時語音和影片互動成為可能:它處理連續的音訊、影片或文字流,並以即時、接近真人的語音作答,而不是串聯一個轉寫器和一個合成器。

輸入
文字 音訊 影片 $0.5/M
輸出
文字 音訊 $2/M
音訊輸入
$3/M
音訊輸出
$12/M
知識截止
2025-01

Benchmark 成績

gemini-2.5-flash-native-audio:公布了 8 項,但沒有一項是足夠多的其他模型也測過的,無法比較。

gemini-2.5-flash-native-audio 其他被測模型 同儕均值 無人分數更高
AMI near+far field (WER)
63.8%
Big Bench Audio
71%
BFCL v3 (single-turn, python only)
69.4%

廠商公布: Amazon OpenAI

價格在同類中的位置

價格在 6 個同類模型中的位置

輸入$0.5/M
$0.06 · nova-2-sonic GPT Realtime · $4
輸出$2/M
$0.24 · nova-2-sonic GPT Realtime 2.1 · $24

這條線顯示該模型的價格,在 Synthorai 上同類模型裡處於什麼位置。兩端標出了最便宜和最貴的那個。這裡是基礎價,批次、區域與快取寫入的折扣見價格頁。

規格與限制

Token

上下文視窗(廠商規格) 131,072
最大輸出(廠商規格) 8,192
知識截止 2025-01

思考

廠商參數 thinkingBudget
預設值 動態思考 請求未指定時生效
可關閉 支援
思考行為 Live API 指南記載這個 2.5 Live 模型使用的是 token 預算而非等級:預設開啟動態思考,thinkingBudget 設為 0 可關閉。
參數 reasoning_effort
取值 minimal · low · medium · high 具體接受哪些由廠商決定

音訊

音訊限制
  • Live API 會話:原始小端序 16-bit PCM,16 kHz 輸入、24 kHz 輸出
  • 純音訊會話上限 15 分鐘(帶影片時為 2 分鐘),除非透過會話管理延長
  • 會話上下文 128k token
串流轉寫 支援

即時語音

語音 可使用 Gemini 文字轉語音音色集中的任何音色;原生音訊輸出模型能在對話中自然切換語言。
工作階段能力
  • 支援函式呼叫,NON_BLOCKING 函式宣告可讓模型在工具執行期間繼續說話
  • VAD 打斷會取消並丟棄進行中的生成
  • 支援搜尋事實依據與思考
  • 不支援快取、結構化輸出、程式碼執行或 Batch API

模型

模態 文字 + 音訊 + 影片 → 文字 + 音訊
  • 原生音訊的 Live API 模型,端到端處理原始音訊,而不是串接 STT 與 TTS。
  • Google 的模型頁列出 2025 年 1 月的知識截止,以及在 131,072 token 輸入視窗旁邊異常小的 8,192 token 輸出上限。

依據 Google 官方文件 ↗

30 秒用上 gemini-2.5-flash-native-audio

相容 OpenAI Realtime:透過 WebSocket 連線,音訊進、音訊出。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())

關於 gemini-2.5-flash-native-audio

  • 會話執行在有狀態的 WebSocket 之上,以 16 kHz 的原始 16-bit PCM 送入,以 24 kHz 回傳;模型接受音訊、影片和文字,回傳音訊和文字。
  • token 上限為輸入 131,072、輸出僅 8,192(異常地小),原生音訊模型的會話上下文視窗為 128k token;純音訊會話可持續 15 分鐘,帶影片時為 2 分鐘,除非透過會話管理延長。
  • 函式呼叫、搜尋事實依據和思考受支援;快取、結構化輸出、程式碼執行和 Batch API 則不支援。
  • 有兩項能力把這一代與更新的 Live 模型區分開,也是繼續留在它上面的理由:主動音訊(proactive audio),讓模型在輸入不相關時決定不作回應;以及情感對話(affective dialog),讓回覆風格隨說話者的表情和語氣調整。
  • 這裡還支援非同步函式呼叫,標記為非阻塞的宣告可以讓模型在工具執行期間繼續說話。
  • 音色來自 Google 的文字轉語音音色集,原生音訊輸出會在對話過程中自然切換語言,且不接受顯式的語言代碼;知識截止為 2025 年 1 月。
  • Synthorai 透過其語音目錄其餘成員所用的 OpenAI 相容 /v1/realtime WebSocket 端點開放它。

常見問題

gemini-2.5-flash-native-audio API 可以免費試用嗎?

gemini-2.5-flash-native-audio 目前處於邀請制測試階段,需申請開通,而非開放註冊。請在 Synthorai 主控台提交申請,審核通過後即依標準的按用量計費方式收費,無需訂閱。

gemini-2.5-flash-native-audio 最擅長什麼?

透過 Live API 的低延遲即時語音與影片、主動音訊與情感對話,更新的 Live 模型已無、純音訊會話 15 分鐘,帶影片為兩分鐘。完整能力請見「關於」一節,內容取自廠商官方發布說明。

gemini-2.5-flash-native-audio 的價格是多少?

在 Synthorai 上,gemini-2.5-flash-native-audio 輸入 $0.5/百萬 token、輸出 $2/百萬 token,即廠商牌價,無平台加價。

如何呼叫 gemini-2.5-flash-native-audio API?

gemini-2.5-flash-native-audio 是語音對話(speech-to-speech)模型:透過 WebSocket 連線 wss://synthorai.io/v1/realtime?model=gemini-2.5-flash-native-audio,使用 OpenAI Realtime SDK(或原生 WebSocket)即可,音訊輸入、音訊輸出。它不是 POST /v1/audio/transcriptions 檔案上傳介面。以你的 sk-syn key 驗證,只送 Authorization 標頭(beta 協定已下線)。

如何開通 gemini-2.5-flash-native-audio?

gemini-2.5-flash-native-audio 處於邀請制測試階段:請在 Synthorai 主控台申請開通。審核通過後,用法與其他模型相同:把 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1",model 設為 "gemini-2.5-flash-native-audio" 即可。

相關模型

對比

本頁每個值都轉錄自廠商自己的文件(連結見上),並帶有核對日期。價格在全目錄範圍內比較;各廠商定義不同的規格值,只說明差異而不作圖表對比。此處沒有任何由我們測量的資料,也不做評分。

取得 API 金鑰 算算你的成本 →