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.
Tipo de proveedorAPI de modelo multimodal nativo en tiempo real
Ideal paraDesarrolladores que crean agentes conversacionales de baja latencia y necesitan audio nativo, entrada multimodal y llamadas a funciones en una sesión WebSocket persistente.
Tamaños de empresaempresas emergentes; empresa mediana; gran empresa; desarrolladores
Canales de llamadasWebSocket; aplicaciones del lado del servidor; aplicaciones cliente que usan tokens efímeros
Modelo de preciosEl 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.
Referencia de preciosLas 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.
Plan o prueba gratisGemini API incluye un nivel gratuito; el uso de Live de pago se factura por tokens.
Precios y presupuesto de Gemini Live API
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.
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.
Gemini API incluye un nivel gratuito; el uso de Live de pago se factura por tokens.
Precios del catálogo comprobados el 28 de septiembre de 2026. Confirma las condiciones vigentes en las fuentes del proveedor.
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
Entorno de ejecución y adecuación
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.
Telefonía
No se documenta públicamente
Controles de llamadas
No se documenta públicamente
Integraciones
No se documenta públicamente
Conocimiento y datos
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.
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.
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.
Preguntas frecuentes de compradores
Preguntas sobre Gemini Live API
¿Cómo debo presupuestar Gemini Live API?
La señal de precio publicada es: 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. El modelo de precios registrado es: 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. Solicita al proveedor un presupuesto actualizado para la misma carga de trabajo, canales, suscripciones, uso y costes de implementación.
¿Puede Gemini Live API usar mis datos actuales?
Entre las fuentes de conocimiento y datos indicadas figuran No se documenta públicamente. Confirma con el proveedor los permisos, la actualización y el comportamiento ante fallos de tus sistemas concretos.
¿Qué debo probar en un piloto de Gemini Live API?
Realiza llamadas representativas con las mismas instrucciones y reglas de escalamiento. Registra calidad de voz, tareas completadas, derivaciones y coste total. Comprueba estas precauciones: 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.
Compara Gemini Live con candidatos similares
Estos productos comparten categorías registradas o adecuación al tamaño de la empresa. Compara los canales, las capacidades y los precios reales antes de considerarlos sustitutos.
Agentes de voz para web y teléfono fundamentados en conocimiento, con modelos de audio nativos en tiempo real, herramientas empresariales, captación de clientes potenciales, programación de citas y transferencia a una persona.
es un chatbot increíblemente flexible y puedo ajustar EXACTAMENTE lo que necesito que sepa el bot Karson M. en G2 · 5/5 · Traducido del inglés
plataforma de agentes de voz fundamentados en conocimiento
Alcance e indicios
Ideal para: Equipos que buscan agentes de voz basados en contenido empresarial actualizado y conectados con herramientas de soporte, recepción, ventas y flujos de trabajo.
Arquitectura de voz: Opción de modelo de audio nativo en tiempo real con recuperación de conocimiento y herramientas
Telefonía: conexión de números de Twilio, conexión con operadores SIP/red pública
agentes de vozrecepcionistas con IAherramientas para crear conversaciones
Plataforma de agentes de voz para teléfono y web con creación de agentes por API, rutas, datos dinámicos, herramientas, webhooks y ajustes de interrupción.
plataforma de agentes de voz
Alcance e indicios
Ideal para: Desarrolladores y equipos de operaciones que necesitan llamadas entrantes y salientes empaquetadas, con niveles explícitos de volumen, simultaneidad y base de conocimiento.
Componente de Programmable Voice que conecta una sesión TwiML ConversationRelay con un WebSocket de la aplicación para STT/TTS, configuración de idioma, DTMF y eventos de llamada.
Entorno de ejecución de telefonía para agentes de voz
Alcance e indicios
Ideal para: Desarrolladores que crean su propia lógica de agente de voz y mantienen la telefonía, el tratamiento del audio y el control de llamadas en Twilio.
Arquitectura de voz: Interfaz de voz en cascada con LLM aportado por el desarrollador
Telefonía: Twilio Programmable Voice, números de teléfono, SIP
plataforma de ejecución de API de vozagentes de voz
Elige el modelo del agente de voz antes de diseñar la sesión
Google documenta Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking para conversaciones con audio nativo. Elige un ID de modelo exacto y las funciones compatibles antes de hacer pruebas. La generación de voz, la transcripción y la traducción en directo son modos distintos; su disponibilidad no acredita el comportamiento de un agente.
Planifica las llamadas largas, las reconexiones y las interrupciones de herramientas
Google documenta un límite de sesión de 15 minutos solo con audio y de dos minutos con audio y vídeo, junto con técnicas de gestión de sesiones para prolongarlas. Las aplicaciones cliente necesitan tokens efímeros. Prueba una reconexión durante una tarea real, una corrección del interlocutor mientras se ejecuta una herramienta y la prevención de acciones duplicadas en tu aplicación.
Las tarifas de audio del modelo son solo una parte de la factura
Precios comprobados el 9 de octubre de 2026. Las tarifas estándar de audio de pago de Live API son $3 por millón de tokens de entrada y $12 por millón de tokens de salida; Google también muestra equivalentes de $0,005 y $0,018 por minuto. La entrada y la salida se facturan por separado, y se añade el uso de texto. Estas cifras son tarifas del modelo, no el precio de un agente telefónico alojado.
Google vuelve a facturar el contexto activo de la sesión en cada turno, incluido el audio acumulado. Por tanto, los historiales más largos pueden aumentar el coste por turno; las transcripciones habilitadas también añaden cargos por tokens de texto. Compara sesiones cortas y largas con el uso de tokens registrado y añade los costes de transporte, telefonía, alojamiento y operación.
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.
¿Es Gemini Live API adecuado para ti?
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.
