Comparaison de modèles
Comparez Gemini 3.1 Flash Live Preview et Inworld Realtime TTS-2 en utilisant la même rubrique voix et temps réel provenant du fournisseur. Pas de score mystère et pas de classement de référence inventé.
Faits vérifiés 4 septembre 2026
Prise rapide
Modèle audio-audio en avant-première de Google pour un dialogue à faible latence avec une conscience multimodale, une réflexion, une mise à la terre de recherche et un appel de fonction.
Le modèle est un aperçu et les projets payants et non rémunérés ont des conditions d'utilisation des données différentes. Confirmez les deux avant de capturer des conversations sensibles.
Le tout nouveau modèle expressif de synthèse vocale en temps réel d'Inworld, conçu pour mémoriser les conversations et parler dans plus de 100 langues.
Il s'agit de la couche vocale, pas d'un agent complet. La page actuelle de rétention de données nulle d'Inworld ne répertorie pas explicitement TTS-2, alors confirmez la couverture avant d'envoyer des données texte ou vocales sensibles.
Comparez les faits publiés
Les valeurs utilisent les unités et limites publiées par chaque fournisseur. Un blanc signifie que le fournisseur n'a pas publié de valeur directement comparable dans les sources examinées.
| Voix et temps réel | Gemini 3.1 Flash Live Preview | Inworld Realtime TTS-2 |
|---|---|---|
| Base de prixPrix basé sur un jeton, un caractère ou une minute pour l'itinéraire d'accès répertorié. | Audio 0,005 $/min en entrée · 0,018 $/min en sortie | 25 $/1 million de caractères sur demande ; remises sur volume |
| Mode d'interactionComportement parole-parole, audio-audio ou synthèse vocale en streaming. | Entrée audio-audio multimodale en temps réel | TTS en temps réel orientable avec contexte audio préalable |
| Latence publiéeMesure publiée par le fournisseur avec ses exclusions indiquées ; pas un test Cody. | Non publié | Moins de 200 ms de TTFA médian |
| LanguesCouverture linguistique documentée par le fournisseur ou marqueur clair non publié. | Multilingue ; vérifier la prise en charge actuelle de l'API Live | 100+ avec commutation à mi-prononcé |
| Outils et contrôleFonctionnalités natives d’appel de fonctions, de raisonnement ou de contrôle vocal. | Appel de fonction et mise à la terre de recherche | Direction vocale, conception, clonage, non-verbal |
| Contexte ou limite d'entréeLimite de jetons ou de caractères documentée lorsque cela est significatif. | 131 072 entrées · 65 536 sorties | Non publié |
Comment choisir
Commencez par le travail que vous devez effectuer, puis validez les détails du coût, de l'accès et de la politique sur l'itinéraire exact de votre fournisseur.
Google indique que le contenu Gemini API payant n'est pas utilisé pour améliorer ses produits ; les données de service non rémunérées peuvent généralement l'être. Confirmez l'état de facturation et les conditions actuelles avant d'envoyer des conversations sensibles.
Liens vers les fournisseurs et les API
Inworld annonce une rétention de données nulle en tant que module complémentaire d'entreprise, mais sa page de support ZDR actuellement publiée ne nomme que TTS-1.5 Mini et Max. Confirmez directement la couverture TTS-2 avant d'envoyer un texte réglementé ou confidentiel.
Liens vers les fournisseurs et les API
Questions fréquemment posées
Gemini 3.1 Flash Live Preview : Modèle audio-audio en avant-première de Google pour un dialogue à faible latence avec une conscience multimodale, une réflexion, une mise à la terre de recherche et un appel de fonction. Inworld Realtime TTS-2 : Le tout nouveau modèle expressif de synthèse vocale en temps réel d'Inworld, conçu pour mémoriser les conversations et parler dans plus de 100 langues.
Considérez Gemini 3.1 Flash Live Preview lorsque votre priorité est Assistants vocaux multimodaux. Considérez Inworld Realtime TTS-2 lorsque votre priorité est Compagnons en temps réel et voix de soutien. Testez les deux avec vos propres données et votre itinéraire de fournisseur avant de vous engager.
Non. Cette comparaison aligne les faits publiés par le fournisseur pour la catégorie Voix et temps réel. Il ne revendique pas de gagnant universel ni ne combine des scores de référence tiers incompatibles.
