gemini-3.1-flash-live vs nova-2-sonic

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。

nova-2-sonic 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

两者的音频价格相同,每百万输入 $3、输出 $12,所以账单差在文本:nova-2-sonic 每百万 $0.06 和 $0.24,对比 $0.75 和 $4.5,大约低 12 倍和 19 倍。gemini-3.1-flash-live 是输入更宽的那个——文本、图像、音频和视频,90 多种语言,纯音频会话 15 分钟——而 nova-2-sonic 只收音频和文本,连接 8 分钟上限并有一套文档化的续接方式,且只在四个区域提供。文本吃重的会话要控成本选 nova-2-sonic,要视频输入和语言覆盖选 gemini-3.1-flash-live。

Benchmark 成绩

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

nova-2-sonic: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-3.1-flash-live nova-2-sonic 其他参测模型 同类均值 ★ 没有模型得分更高
AMI near+far field (WER)
N/A
29.7%
Big Bench Audio
N/A
87%
BFCL v3 (single-turn, python only)
N/A
74.5%

供应商公布: Amazon OpenAI

价格

gemini-3.1-flash-live nova-2-sonic Δ
音频输入 / 1M token $3 $3 =
音频输出 / 1M token $12 $12 =
文本输入 / 1M token $0.75 $0.06 13×
文本输出 / 1M token $4.5 $0.24 19×
缓存写入 - 不单独收费 -

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-3.1-flash-live nova-2-sonic
思考控制 始终开启 -
提示词缓存 隐式(自动) 不支持
缓存有效期 未公布 不适用
最小缓存前缀 4,096 个 token 不适用

规格

gemini-3.1-flash-live nova-2-sonic
输入模态 文本 图像 音频 视频 文本 音频
输出模态 文本 音频 文本 音频
发布日期 2026-03-26 2025-12-02
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。 每个区域设置都提供偏女声和偏男声的音色(tiffany/matthew en-US,amy en-GB,olivia en-AU,kiara/arjun en-IN 与 hi-IN,ambre/florian fr-FR,beatrice/lorenzo it-IT,tina/lennart de-DE,lupe/carlos es-US,carolina/leo pt-BR);tiffany 和 matthew 是能讲全部受支持语言的多语音色。
会话能力
  • 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
  • 智能轮次交替,端点检测灵敏度可配置
  • 优雅的打断处理且不丢失上下文
  • 函数调用支持异步工具处理(工具运行期间助手继续说话)
  • RAG 事实依据
  • 同一对话中混合音频与文本输入
  • 连接上限 8 分钟
上下文窗口 131,072 1,000,000

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-3.1-flash-live · nova-2-sonic

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-3.1-flash-live"
# URL = "wss://synthorai.io/v1/realtime?model=nova-2-sonic"  # 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-3.1-flash-live 和 nova-2-sonic 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-3.1-flash-live 和 nova-2-sonic 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-3.1-flash-live 和 nova-2-sonic 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