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

gemini-2.5-flash-native-audio 目前为邀请制。下方是它的实时价格,但调用前需要先为你的工作空间开通权限;打算根据这份对比做开发的话,请先向我们申请。

gemini-3.1-flash-live 目前为邀请制。下方是它的实时价格,但调用前需要先为你的工作空间开通权限;打算根据这份对比做开发的话,请先向我们申请。

vs

什么时候选哪个

音频费率完全相同(每百万输入 $3、输出 $12),会话机制也一样——16 kHz 输入、24 kHz 输出的 PCM,128k 上下文,纯音频 15 分钟上限——较旧的 gemini-2.5-flash-native-audio 在文本上还略便宜,每百万 $0.5 和 $2 对 $0.75 和 $4.5。功能上的分水岭是工具行为:gemini-2.5-flash-native-audio 支持 NON_BLOCKING 函数声明,工具执行期间模型可以继续说话,而 gemini-3.1-flash-live 是顺序式的,要等工具结果返回才会回应——但它在文本、音频和视频之外增加了图像输入。工具密集的对话选 2.5,需要图像输入选 3.1。

Benchmark 成绩

gemini-3.1-flash-live:供应商没有公布 benchmark 成绩。

gemini-2.5-flash-native-audio:公布了 8 项成绩,但每一项测过的其他模型都太少,没法比较。

gemini-2.5-flash-native-audio gemini-3.1-flash-live 其他参测模型 同类均值 ★ 没有模型得分更高
AMI near+far field (WER)
63.8%
N/A
Big Bench Audio
71%
N/A
BFCL v3 (single-turn, python only)
69.4%
N/A

供应商公布: Amazon OpenAI

价格

gemini-2.5-flash-native-audio gemini-3.1-flash-live Δ
音频输入 / 1M token $3 $3 =
音频输出 / 1M token $12 $12 =
文本输入 / 1M token $0.5 $0.75 0.67×
文本输出 / 1M token $2 $4.5 0.44×

价格取自构建时的实时目录,最新价格见各模型页面。

两个模型所处的位置:全部 7 个按同一单位计费的实时语音对话模型的每 1M 音频 token 价格分布(对数刻度)

能力

gemini-2.5-flash-native-audio gemini-3.1-flash-live
思考控制 可配置 始终开启
提示词缓存 隐式(自动) 隐式(自动)
缓存有效期 未公布 未公布
最小缓存前缀 4,096 个 token 4,096 个 token

规格

gemini-2.5-flash-native-audio gemini-3.1-flash-live
输入模态 文本 音频 视频 文本 图像 音频 视频
输出模态 文本 音频 文本 音频
发布日期 - 2026-03-26
知识截止日期 2025-01 -
音色 可使用 Gemini 文本转语音音色集合中的任意音色;原生音频输出模型能在一次对话中自然切换语言。 可使用 Gemini 文本转语音音色集合中的任意音色;原生音频输出模型能在一次对话中自然切换语言。
会话能力
  • 支持函数调用,NON_BLOCKING 函数声明让模型在工具运行期间继续说话
  • VAD 打断会取消并丢弃进行中的生成
  • 支持搜索事实依据和思考
  • 不支持缓存、结构化输出、代码执行或 Batch API
  • 函数调用仅支持串行:在工具响应发送之前,模型不会开始回应
  • 支持搜索事实依据和思考
  • VAD 打断会取消进行中的生成
  • 不支持缓存、结构化输出、代码执行或 Batch API
上下文窗口 131,072 131,072

规格照录自各供应商的文档;供应商没有公布的项目,对应的行直接省略,不做推断。 完整来源: gemini-2.5-flash-native-audio · gemini-3.1-flash-live

改一行代码就能在两个模型之间切换

下方每个标签页里都有两个模型 ID,高亮的那两行是唯一要改的地方。端点不变,API key 不变,请求结构也不变。

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"  # 取消注释此行,注释上一行
# 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())

获取 API key →

常见问题

gemini-2.5-flash-native-audio 和 gemini-3.1-flash-live 哪个更便宜?

两者的「音频输入 / 1M token」同为 $3。其他费率与实际用量仍可能影响总费用。

不用分别集成两次,就能对 gemini-2.5-flash-native-audio 和 gemini-3.1-flash-live 做 A/B 测试吗?

可以。两个模型走同一个 OpenAI 兼容端点,用同一个 API key,切换时只要改一行里的模型名,所以可以给两个模型各分一部分流量,直接对比账单。

gemini-2.5-flash-native-audio 和 gemini-3.1-flash-live 支持提示词缓存吗?

我们的价格数据里,只有其中一个模型列出了缓存读取价;没有列出的,说明该供应商没有为缓存读取单独定价。

相关对比