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.
Tipo de fornecedorAPI de modelo multimodal nativo em tempo real
Melhor adequaçãoProgramadores que desenvolvem agentes conversacionais de baixa latência e precisam de áudio nativo, entrada multimodal e chamadas de funções numa sessão WebSocket persistente.
Dimensão das equipasstartups; empresas de média dimensão; empresas de grande dimensão; programadores
Canais de chamadaWebSocket; aplicações do lado do servidor; aplicações cliente com tokens efémeros
Modelo de preçosA 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.
Indicação de preçoAs 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.
Plano gratuito ou período experimentalNível gratuito da Gemini API indicado; a utilização paga da Live é faturada por tokens.
Preços e orçamento de Gemini Live API
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.
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.
Nível gratuito da Gemini API indicado; a utilização paga da Live é faturada por tokens.
Preços do catálogo verificados em 28 de setembro de 2026. Confirme as condições atuais nas fontes do fornecedor.
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
Ambiente de execução e adequação
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.
Telefonia
Não documentado publicamente
Controlos de chamada
Não documentado publicamente
Integrações
Não documentado publicamente
Conhecimento e dados
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.
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.
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.
Perguntas dos compradores
Perguntas sobre Gemini Live API
Como devo orçamentar Gemini Live API?
A indicação de preço publicada é: 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. O modelo de preços registado é: 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. Peça ao fornecedor uma proposta atual para a mesma carga de trabalho, canais, subscrições, utilização e custos de implementação.
Gemini Live API pode utilizar os meus dados existentes?
As fontes de conhecimento e dados indicadas incluem Não documentado publicamente. Confirme com o fornecedor as permissões, a atualização e o comportamento em caso de falha dos seus sistemas específicos.
O que devo testar num projeto-piloto de Gemini Live API?
Execute chamadas representativas com as mesmas instruções e regras de escalamento. Registe a qualidade da voz, as tarefas concluídas, as transferências e o custo total. Tenha em conta estes cuidados: 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.
Compare Gemini Live com candidatos semelhantes
Estes produtos partilham categorias registadas ou adequação a empresas de dimensão semelhante. Compare os canais, as capacidades e os preços reais antes de os considerar substitutos.
Agentes de voz para Web e telefone baseados em conhecimento, com modelos nativos de áudio em tempo real, ferramentas empresariais, captação de potenciais clientes, marcações e transferência para agentes humanos.
é um chatbot incrivelmente flexível e posso ajustar EXATAMENTE aquilo que preciso que o bot saiba Karson M. no G2 · 5/5 · Traduzido do inglês
Plataforma de agentes de voz baseada em conhecimento
Âmbito e indicadores
Melhor adequação: Equipas que pretendem agentes de voz baseados em conteúdo empresarial atualizado e ligados a ferramentas de apoio, receção, vendas e fluxos de trabalho.
Arquitetura de voz: Opção de modelo de áudio nativo em tempo real com pesquisa de conhecimento e ferramentas
Telefonia: ligação a número Twilio, ligação a operadora SIP/rede telefónica pública
agentes de vozrececionistas com IAferramentas de criação de conversas
Plataforma de agentes de voz para telefone e Web, com agentes criados por API, percursos de conversação, dados dinâmicos, ferramentas, webhooks e definições de interrupção.
Plataforma de agentes de voz
Âmbito e indicadores
Melhor adequação: Programadores e equipas de operações que precisam de chamadas recebidas e efetuadas com escalões explícitos de volume, simultaneidade e base de conhecimento.
Componente Programmable Voice que liga uma sessão TwiML ConversationRelay a um WebSocket da aplicação para STT/TTS, definições de idioma, DTMF e eventos de chamadas.
Ambiente de execução de agentes de voz para telefonia
Âmbito e indicadores
Melhor adequação: Programadores que criam a sua própria lógica de agentes de voz, mantendo na Twilio a telefonia, o tratamento de áudio e o controlo de chamadas.
Arquitetura de voz: Interface de fala em cascata com LLM fornecido pelo programador
Telefonia: Twilio Programmable Voice, números de telefone, SIP
Escolha o modelo do agente de voz antes de conceber a sessão
A Google documenta Gemini 3.8 Live e Gemini 3.8 Live Extended Thinking para conversas com áudio nativo. Escolha o ID exato do modelo e as funcionalidades suportadas antes de testar. A geração de voz, a transcrição e a tradução em direto são modos distintos; a sua disponibilidade não comprova o comportamento do agente.
Prepare chamadas longas, restabelecimentos de ligação e ferramentas interrompidas
A Google documenta um limite de 15 minutos para sessões apenas com áudio e de dois minutos para sessões com áudio e vídeo, com técnicas de gestão de sessões para prolongar a sua duração. As aplicações cliente precisam de tokens efémeros. Teste o restabelecimento da ligação durante uma tarefa real, uma correção do interlocutor enquanto uma ferramenta está em execução e a prevenção de ações duplicadas na sua aplicação.
As tarifas de áudio do modelo são apenas uma parte da fatura
Preços verificados a 9 de outubro de 2026. As tarifas de áudio pagas padrão da Live API são de $3 por milhão de tokens de entrada e $12 por milhão de tokens de saída; a Google também indica os valores equivalentes por minuto de $0,005 e $0,018. A entrada e a saída são faturadas separadamente, com utilização adicional de texto. Estes valores são tarifas do modelo e não o preço de um agente telefónico alojado.
A Google volta a faturar o contexto da sessão ativa em cada turno, incluindo o áudio acumulado. Os históricos mais longos podem, por isso, aumentar o custo por turno; as transcrições ativadas também acrescentam encargos de tokens de texto. Compare sessões curtas e longas com base na utilização de tokens registada e acrescente os custos de transporte, telefonia, alojamento e operação.
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.
Gemini Live API é adequado para si?
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.
