Funciones, precios e idoneidad
Compara Gemini Live API y Ultravox en funciones de voz, precios e idoneidad.
Compara Gemini Live y Ultravox para Agentes telefónicos con IA, Plataformas de IA de voz, y después contrasta los canales, flujos de trabajo y modelos de implementación con tu proceso de llamadas.
La API Gemini Live de Google transmite sesiones multimodales por WebSockets; sus modelos estables nativos para agentes de voz son Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking.
Desarrolladores que crean agentes conversacionales de baja latencia y necesitan audio nativo, entrada multimodal y llamadas a funciones en una sesión WebSocket persistente.
Explora sus criterios de compra: Agentes telefónicos con IA · Plataformas de IA de voz.
Modelo nativo de voz y lenguaje centrado en API, con Console sin código, herramientas personalizadas y telefonía propia para teléfono, web y aplicaciones nativas.
Equipos de ingeniería que quieren procesar la voz directamente y controlar la telefonía o los transportes de la aplicación.
Explora sus criterios de compra: Agentes telefónicos con IA · Plataformas de IA de voz.
Gemini Live se comprobó el 2026-09-28; Ultravox, el 2026-09-04.
Usa la tabla siguiente para comparar el alcance documentado de cada proveedor.
Preguntas frecuentes de compradores
Gemini Live: El uso estándar de Live API se factura por tokens: 3 USD por cada millón de tokens de audio de entrada (equivalente a 0,005 USD/min) y 12 USD por cada millón de tokens de audio de salida (equivalente a 0,018 USD/min), además del uso independiente de tokens de texto. El contexto acumulado de la sesión se factura en cada turno, por lo que los costes pueden aumentar con el historial de la conversación. Ultravox: Los planes de pago por uso y Pro combinan una tarifa publicada por minuto con cuotas mensuales; Enterprise se personaliza y SIP tiene un precio aparte. Pide a ambos proveedores un presupuesto para la misma carga de trabajo, canales y alcance de implementación. Incluye suscripciones y uso antes de comparar totales.
Las fuentes de datos registradas para Gemini Live incluyen No se documenta públicamente. Para Ultravox, incluyen No se documenta públicamente. Pide a cada proveedor una demostración del acceso a los sistemas, los permisos, la actualización y el comportamiento ante fallos.
Usa las mismas llamadas representativas, instrucciones y reglas de escalamiento. Registra calidad, tareas completadas, derivaciones y coste total. Comprueba estas precauciones antes del lanzamiento: Gemini Live: Google marca Live API como preliminar aunque los ID de ambos modelos Gemini 3.8 Live son estables. Las sesiones de audio nativo usan la modalidad de respuesta AUDIO; activa la transcripción de salida para obtener texto. Las sesiones solo de audio se limitan a 15 minutos y las de audio más vídeo, a 2 minutos, salvo que se amplíen mediante la gestión de sesiones. Las aplicaciones que conectan clientes con servidores necesitan tokens efímeros. El audio y el contexto acumulados se facturan en cada turno. Ultravox: Los pesos abiertos no eliminan el trabajo de alojamiento, latencia, seguridad, evaluación, voz y telefonía. Revisa la licencia y el SLA.
Registra tus requisitos y los resultados de la prueba piloto en la hoja de evaluación →
Desliza o desplaza la tabla para ver todas las columnas.
| Criterio | Gemini Live API | Ultravox |
|---|---|---|
| Tipo de proveedor | API de modelo multimodal nativo en tiempo real | API de modelo nativo de voz y lenguaje |
| Ideal para | Desarrolladores que crean agentes conversacionales de baja latencia y necesitan audio nativo, entrada multimodal y llamadas a funciones en una sesión WebSocket persistente. | Equipos de ingeniería que quieren procesar la voz directamente y controlar la telefonía o los transportes de la aplicación. |
| Funciones principales | modelos estables nativos para agentes de voz: gemini-3.8-live y gemini-3.8-live-extended-thinking; audio nativo bidireccional; entrada de texto, imagen y vídeo; llamadas a funciones; ejecución asíncrona de herramientas; controles de sesión y gestión de interrupciones | interacción directa entre voz y lenguaje; pesos abiertos; API alojada; herramientas; sesiones en tiempo real |
| Tamaños de empresa | empresas emergentes; empresa mediana; gran empresa; desarrolladores | empresas emergentes; empresa mediana; gran empresa; desarrolladores |
| Canales de llamadas | WebSocket; aplicaciones del lado del servidor; aplicaciones cliente que usan tokens efímeros | teléfono / red pública; API / SDK |
| Arquitectura de voz | Agentes nativos de audio: Gemini 3.8 Live (gemini-3.8-live) y Gemini 3.8 Live Extended Thinking (gemini-3.8-live-extended-thinking).; Modelos TTS independientes: gemini-3.8-flash-tts y gemini-3.8-flash-lite-tts generan voz; ninguno es un agente Live.; Endpoints de transcripción independientes: gemini-3.5-transcribe procesa archivos de audio; gemini-3.5-transcribe-live es un modo de voz a texto de Live API, no un agente conversacional.; Modo de traducción independiente: gemini-3.5-live-translate-preview funciona como intérprete de Live API para más de 70 idiomas; no es un agente conversacional y está en versión preliminar. | Modelo nativo de voz y lenguaje |
| Telefonía | No se documenta públicamente | No se documenta públicamente |
| Controles de llamadas | No se documenta públicamente | No se documenta públicamente |
| Idiomas | La documentación de Live API menciona el japonés (ja) y la compatibilidad multilingüe; la salida de audio nativo puede cambiar de idioma de forma natural durante la conversación. La lista de idiomas admitidos no garantiza una calidad de llamada equivalente. Por separado, Transcribe incluye el japonés (ja-JP) entre más de 85 idiomas; Flash TTS incluye 130 idiomas y Flash-Lite TTS 101 (ambos admiten japonés); Live Translate en versión preliminar admite más de 70 idiomas. | No se documenta públicamente |
| Integraciones | No se documenta públicamente | No se documenta públicamente |
| Conocimiento y datos | No se documenta públicamente | No se documenta públicamente |
| Modelo de precios | El uso estándar de Live API se factura por tokens: 3 USD por cada millón de tokens de audio de entrada (equivalente a 0,005 USD/min) y 12 USD por cada millón de tokens de audio de salida (equivalente a 0,018 USD/min), además del uso independiente de tokens de texto. El contexto acumulado de la sesión se factura en cada turno, por lo que los costes pueden aumentar con el historial de la conversación. | Los planes de pago por uso y Pro combinan una tarifa publicada por minuto con cuotas mensuales; Enterprise se personaliza y SIP tiene un precio aparte. |
| Referencia de precios | Las tarifas estándar de pago equivalen a 0,005 USD/min de audio de entrada y 0,018 USD/min de audio de salida; se facturan por separado, más los tokens de texto. Google también ofrece un nivel gratuito de la API. | 30 minutos gratis; $0,05/min en pago por uso; Pro $100/mes; SIP unos $0,005/min. |
| Plan o prueba gratis | Gemini API incluye un nivel gratuito; el uso de Live de pago se factura por tokens. | 30 minutos gratis; pesos abiertos bajo la licencia publicada. |
| Aspectos destacados | Los modelos estables Gemini 3.8 Live combinan diálogo de audio nativo con llamadas a herramientas configurables en sesiones WebSocket persistentes; TTS, transcripción y traducción son modelos complementarios independientes. | Ultravox documenta una ruta de voz nativa sin etapa ASR independiente y ofrece prototipado en Console e integración REST/SDK con telefonía propia. |
| Aspectos a verificar | Google marca Live API como preliminar aunque los ID de ambos modelos Gemini 3.8 Live son estables. Las sesiones de audio nativo usan la modalidad de respuesta AUDIO; activa la transcripción de salida para obtener texto. Las sesiones solo de audio se limitan a 15 minutos y las de audio más vídeo, a 2 minutos, salvo que se amplíen mediante la gestión de sesiones. Las aplicaciones que conectan clientes con servidores necesitan tokens efímeros. El audio y el contexto acumulados se facturan en cada turno. | Los pesos abiertos no eliminan el trabajo de alojamiento, latencia, seguridad, evaluación, voz y telefonía. Revisa la licencia y el SLA. |
Desarrolladores que crean agentes conversacionales de baja latencia y necesitan audio nativo, entrada multimodal y llamadas a funciones en una sesión WebSocket persistente.
Los modelos estables Gemini 3.8 Live combinan diálogo de audio nativo con llamadas a herramientas configurables en sesiones WebSocket persistentes; TTS, transcripción y traducción son modelos complementarios independientes.
Equipos de ingeniería que quieren procesar la voz directamente y controlar la telefonía o los transportes de la aplicación.
Ultravox documenta una ruta de voz nativa sin etapa ASR independiente y ofrece prototipado en Console e integración REST/SDK con telefonía propia.
Antes de comprar, confirma directamente con cada proveedor los precios, límites, medidas de seguridad e integraciones necesarias.
Prueba el reconocimiento, la calidad de la voz, las interrupciones, el cambio de idioma, el uso de herramientas y la transferencia a una persona con llamadas propias en el idioma necesario. La disponibilidad puede variar según el modelo, el plan y la ruta telefónica.
DocsBot documenta flujos de voz multilingües y compatibilidad con japonés. Verifica la voz concreta, la ruta telefónica y el comportamiento de la transferencia en tu prueba piloto. Consultar la información sobre idiomas de DocsBot ↗
Las afirmaciones de otros proveedores sobre idiomas proceden de las fuentes citadas; confirma directamente con cada uno la compatibilidad con japonés y los demás idiomas necesarios.
La inclusión no supone una recomendación ni garantiza el rendimiento. Este directorio lo publica DocsBot. Política editorial
Tu empresa. Tu selección.
Empieza por el sitio web de tu empresa. Responde unas preguntas concretas y recibe un PDF personalizado con recomendaciones, ventajas y desventajas, alternativas y un plan piloto para tus llamadas.
