Funcionalidades, preços e adequação
Compare Gemini Live API e Realtime API em capacidades de voz, preços e adequação.
Compare Gemini Live e OpenAI Realtime para Agentes telefónicos com IA, Plataformas de voz com IA; depois adeque canais, processos e modelos de implementação ao seu fluxo de chamadas.
A API Gemini Live da Google transmite sessões multimodais por WebSockets; os seus modelos nativos estáveis para agentes de voz são Gemini 3.8 Live e Gemini 3.8 Live Extended Thinking.
Programadores que desenvolvem agentes conversacionais de baixa latência e precisam de áudio nativo, entrada multimodal e chamadas de funções numa sessão WebSocket persistente.
Explore os critérios de compra: Agentes telefónicos com IA · Plataformas de voz com IA.
API de modelo em tempo real para entrada e saída de texto e áudio por WebRTC, WebSocket ou SIP, com invocação de funções.
Equipas de produto e engenharia que criam uma aplicação de voz baseada num modelo em tempo real, em vez de um produto de centro de contacto pronto a usar.
Explore os critérios de compra: Agentes telefónicos com IA · Plataformas de voz com IA.
Gemini Live verificado em 2026-09-28; OpenAI Realtime verificado em 2026-09-04.
Use a tabela abaixo para comparar o âmbito documentado de cada fornecedor.
Perguntas dos compradores
Gemini Live: A utilização padrão da Live API é faturada por tokens: $3 por 1 milhão de tokens de áudio de entrada ($0,005/min equivalente) e $12 por 1 milhão de tokens de áudio de saída ($0,018/min equivalente), além da utilização separada de tokens de texto. O contexto acumulado da sessão é faturado em cada turno, pelo que os custos podem aumentar com o histórico da conversa. OpenAI Realtime: Preço da API por tokens de texto, áudio e imagem; as tarifas de entrada e saída de áudio são publicadas por milhão de tokens. Peça aos dois fornecedores uma proposta para a mesma carga de trabalho, canais e âmbito de implementação. Inclua subscrições e utilização antes de comparar os totais.
As fontes de dados registadas para Gemini Live incluem Não documentado publicamente. Para OpenAI Realtime, incluem Não documentado publicamente. Peça a cada fornecedor que demonstre o acesso exato aos sistemas, as permissões, a atualização e o comportamento em caso de falha.
Use as mesmas chamadas representativas, instruções e regras de escalamento. Registe a qualidade, as tarefas concluídas, as transferências e o custo total. Verifique estes cuidados antes do lançamento: Gemini Live: A Google classifica a Live API como estando em pré-visualização, embora os IDs de ambos os modelos Gemini 3.8 Live sejam estáveis. As sessões de áudio nativo usam a modalidade de resposta AUDIO; ative a transcrição da saída para obter texto. As sessões apenas de áudio estão limitadas a 15 minutos e as sessões de áudio e vídeo a 2 minutos, salvo se forem prolongadas através da gestão da sessão. As aplicações que comunicam do cliente para o servidor precisam de tokens efémeros. O áudio e o contexto acumulados são faturados em cada turno. OpenAI Realtime: Não é um centro de contacto pronto a usar. Implemente operações de telefonia, identidade, ferramentas, monitorização, avaliação, retenção e encaminhamento.
Registe os seus requisitos e resultados do projeto-piloto na folha de trabalho do comprador →
Deslize ou desloque a tabela para ver todas as colunas.
| Critério | Gemini Live API | Realtime API |
|---|---|---|
| Tipo de fornecedor | API de modelo multimodal nativo em tempo real | API de modelo multimodal nativo em tempo real |
| Melhor adequação | Programadores que desenvolvem agentes conversacionais de baixa latência e precisam de áudio nativo, entrada multimodal e chamadas de funções numa sessão WebSocket persistente. | Equipas de produto e engenharia que criam uma aplicação de voz baseada num modelo em tempo real, em vez de um produto de centro de contacto pronto a usar. |
| Capacidades principais | modelos nativos estáveis para agentes de voz: gemini-3.8-live e gemini-3.8-live-extended-thinking; áudio nativo bidirecional; entrada de texto, imagem e vídeo; chamadas de funções; execução assíncrona de ferramentas; controlos de sessão e gestão de interrupções | conversa de áudio para áudio; WebRTC; WebSocket; SIP; ferramentas |
| Dimensão das equipas | startups; empresas de média dimensão; empresas de grande dimensão; programadores | startups; médias empresas; grandes empresas; programadores |
| Canais de chamada | WebSocket; aplicações do lado do servidor; aplicações cliente com tokens efémeros | WebRTC; WebSocket; SIP; API / SDK |
| Arquitetura de voz | Modelos nativos de agente de voz com áudio: Gemini 3.8 Live (gemini-3.8-live) e Gemini 3.8 Live Extended Thinking (gemini-3.8-live-extended-thinking).; Modelos TTS separados: gemini-3.8-flash-tts e gemini-3.8-flash-lite-tts geram fala; nenhum dos dois é um agente Live.; Endpoints de transcrição separados: gemini-3.5-transcribe processa ficheiros de áudio; gemini-3.5-transcribe-live é um modo de voz para texto da Live API, não um agente conversacional.; Modo de tradução separado: gemini-3.5-live-translate-preview é um intérprete da Live API para mais de 70 idiomas, não um agente conversacional; está em pré-visualização. | Entrada e saída de áudio nativas com invocação de ferramentas |
| Telefonia | Não documentado publicamente | ligação SIP; a integração com a operadora é responsabilidade do comprador |
| Controlos de chamada | Não documentado publicamente | Não documentado publicamente |
| Idiomas | A documentação da Live API indica japonês (ja) e suporte multilingue; a saída de áudio nativo pode mudar de idioma naturalmente durante uma conversa. Uma lista de idiomas suportados não garante qualidade equivalente nas chamadas. Separadamente, Transcribe indica japonês (ja-JP) entre mais de 85 idiomas; Flash TTS indica 130 idiomas e Flash-Lite TTS 101 (ambos incluem japonês); a pré-visualização do Live Translate suporta mais de 70 idiomas. | Não documentado publicamente |
| Integrações | Não documentado publicamente | Não documentado publicamente |
| Conhecimento e dados | Não documentado publicamente | Não documentado publicamente |
| Modelo de preços | A utilização padrão da Live API é faturada por tokens: $3 por 1 milhão de tokens de áudio de entrada ($0,005/min equivalente) e $12 por 1 milhão de tokens de áudio de saída ($0,018/min equivalente), além da utilização separada de tokens de texto. O contexto acumulado da sessão é faturado em cada turno, pelo que os custos podem aumentar com o histórico da conversa. | Preço da API por tokens de texto, áudio e imagem; as tarifas de entrada e saída de áudio são publicadas por milhão de tokens. |
| Indicação de preço | As tarifas pagas padrão equivalem a $0,005/min para áudio de entrada e $0,018/min para áudio de saída, faturadas separadamente, além dos tokens de texto; a Google indica também um nível gratuito da API. | Áudio GPT-Realtime: $32 por milhão de tokens de áudio de entrada e $64 por milhão de tokens de áudio de saída. |
| Plano gratuito ou período experimental | Nível gratuito da Gemini API indicado; a utilização paga da Live é faturada por tokens. | Não documentado publicamente |
| O que se destaca | Os modelos Gemini 3.8 Live estáveis combinam diálogo de áudio nativo com chamadas de ferramentas configuráveis em sessões WebSocket persistentes; TTS, transcrição e tradução são modelos de suporte separados. | O GPT-Realtime recebe e devolve áudio diretamente, enquanto o Agents SDK fornece auxiliares de transporte, ferramentas, mecanismos de proteção, transferências e histórico de sessão. |
| Pontos a considerar | A Google classifica a Live API como estando em pré-visualização, embora os IDs de ambos os modelos Gemini 3.8 Live sejam estáveis. As sessões de áudio nativo usam a modalidade de resposta AUDIO; ative a transcrição da saída para obter texto. As sessões apenas de áudio estão limitadas a 15 minutos e as sessões de áudio e vídeo a 2 minutos, salvo se forem prolongadas através da gestão da sessão. As aplicações que comunicam do cliente para o servidor precisam de tokens efémeros. O áudio e o contexto acumulados são faturados em cada turno. | Não é um centro de contacto pronto a usar. Implemente operações de telefonia, identidade, ferramentas, monitorização, avaliação, retenção e encaminhamento. |
Programadores que desenvolvem agentes conversacionais de baixa latência e precisam de áudio nativo, entrada multimodal e chamadas de funções numa sessão WebSocket persistente.
Os modelos Gemini 3.8 Live estáveis combinam diálogo de áudio nativo com chamadas de ferramentas configuráveis em sessões WebSocket persistentes; TTS, transcrição e tradução são modelos de suporte separados.
Equipas de produto e engenharia que criam uma aplicação de voz baseada num modelo em tempo real, em vez de um produto de centro de contacto pronto a usar.
O GPT-Realtime recebe e devolve áudio diretamente, enquanto o Agents SDK fornece auxiliares de transporte, ferramentas, mecanismos de proteção, transferências e histórico de sessão.
Confirme os preços, limites, segurança e integrações necessárias diretamente com cada fornecedor antes de comprar.
Teste o reconhecimento, a qualidade da fala, as interrupções, a alternância de idiomas, o uso de ferramentas e a transferência para uma pessoa com chamadas suas no idioma necessário. A disponibilidade pode variar consoante o modelo, o plano e o percurso telefónico.
A DocsBot documenta processos de voz multilingues e suporte para japonês. Verifique a voz exata, o percurso telefónico e o comportamento de transferência no seu projeto-piloto. Consultar informações de idiomas da DocsBot ↗
As afirmações de outros fornecedores sobre idiomas refletem o material citado; confirme diretamente com cada um o japonês e os restantes idiomas necessários.
A inclusão não implica recomendação nem garantia de desempenho. Este diretório é publicado pela DocsBot. Política editorial
A sua empresa. A sua seleção.
Comece pelo site da sua empresa. Responda a algumas perguntas específicas e receba um PDF personalizado com adequação, vantagens e limitações, alternativas e um plano-piloto para o seu fluxo de chamadas.
