قیمت‌گذاری API توسعه‌دهندگان Gemini

با محدودیت‌های سخاوتمندانه، ساخت را به صورت رایگان شروع کنید، سپس با قیمت‌های پیش‌پرداخت و سپس پرداخت در حین استفاده، برنامه‌های آماده تولید خود را گسترش دهید.

هوشمندترین مدل فلش ما، که برای مهندسی نرم‌افزار بلندمدت، عامل‌های خودگردان و گردش‌های کاری پیچیده سازمانی مهندسی شده است.

مدل فلش پرسرعت و کارآمد ما که برای کدنویسی روزمره، استفاده از ابزارهای خودکار و اجرای چند مرحله‌ای قابل اعتماد ساخته شده است.

مدل فلش نسل قبلی ما، که سرعت و قابلیت‌های چندوجهی را در وظایف عمومی و روزمره متعادل می‌کند.

^* درخواست ارسالی مشتری به Gemini ممکن است منجر به یک یا چند جستجو در جستجوی گوگل شود. برای هر جستجوی انجام شده، هزینه از شما دریافت خواهد شد.

^** قابل آزمایش در استودیوی هوش مصنوعی گوگل.

مدل فلش قبلی ما، برای سرعت و عملکرد پایه در بارهای کاری روتین و با توان عملیاتی بالا ساخته شده بود.

^* درخواست ارسالی مشتری به Gemini ممکن است منجر به یک یا چند جستجو در جستجوی گوگل شود. برای هر جستجوی انجام شده، هزینه از شما دریافت خواهد شد.

^** قابل آزمایش در استودیوی هوش مصنوعی گوگل.

مدل‌های کم‌تأخیر و تبدیل صدا به صدا ما برای عوامل صوتی بلادرنگ و گفتگوی زنده، از جمله پشتیبانی از استدلال پس‌زمینه با تفکر توسعه‌یافته، بهینه شده‌اند.

^* درخواست ارسالی مشتری به Gemini ممکن است منجر به یک یا چند جستجو در جستجوی گوگل شود. برای هر جستجوی انجام شده، هزینه از شما دریافت خواهد شد.

مدل ترجمه گفتار به گفتار ما با تأخیر کم و به‌صورت آنی که از بیش از ۷۰ زبان پشتیبانی می‌کند.

^* صورتحساب بر اساس کل مصرف توکن‌های صوتی ورودی و خروجی محاسبه می‌شود که با نرخ ۲۵ توکن در هر ثانیه صدا محاسبه می‌شود و معادل قیمت مؤثر تقریباً ۰.۰۳۶۸ دلار در دقیقه است.

مدل تبدیل گفتار به متن با تأخیر کم و بلادرنگ ما برای رونویسی صوتی دو طرفه از طریق WebSockets.

^* قیمت تخمینی بر اساس ۲۵ توکن صوتی در ثانیه برای ورودی و ۱۷۵ توکن متنی در دقیقه برای خروجی است، که نرخ ترکیبی مؤثر آن برای Live Transcribe حدود ۰.۰۰۹ دلار در دقیقه است.

مدل تبدیل گفتار به متن ما با تشخیص خودکار زبان، تشخیص گویشور از طریق دفترچه خاطرات، مهرهای زمانی در سطح کلمه و بایاس واژگان سفارشی.

^* قیمت تخمینی بر اساس ۲۵ توکن صوتی در ثانیه برای ورودی و ۱۷۵ توکن متنی در دقیقه برای خروجی است، که نرخ ترکیبی مؤثر آن برای رونویسی حدود ۰.۰۰۵ دلار در دقیقه است.

یک مدل مقرون‌به‌صرفه، بهینه‌شده برای وظایف عامل‌محور با حجم بالا، ترجمه و پردازش داده‌های ساده.

^* درخواست ارسالی مشتری به Gemini ممکن است منجر به یک یا چند جستجو در جستجوی گوگل شود. برای هر جستجوی انجام شده، هزینه از شما دریافت خواهد شد.

^** قابل آزمایش در استودیوی هوش مصنوعی گوگل.

^** قابل آزمایش در استودیوی هوش مصنوعی گوگل.

یک مدل مقرون‌به‌صرفه، بهینه‌شده برای وظایف عامل‌محور با حجم بالا، ترجمه و پردازش داده‌های ساده.

^* درخواست ارسالی مشتری به Gemini ممکن است منجر به یک یا چند جستجو در جستجوی گوگل شود. برای هر جستجوی انجام شده، هزینه از شما دریافت خواهد شد.

^** قابل آزمایش در استودیوی هوش مصنوعی گوگل.

مدل نسل بعدی تولید و ویرایش ویدیو ما، اکنون به طور کلی برای توسعه‌دهندگان در سطح پولی رابط برنامه‌نویسی نرم‌افزار Gemini در دسترس است.

^* صورتحساب بر اساس کل مصرف توکن خروجی محاسبه می‌شود که با نرخ ۵۷۹۲ توکن در ثانیه از ویدیوی ۷۲۰p محاسبه می‌شود. تحت قیمت‌گذاری استاندارد، این معادل قیمت مؤثر تقریباً ۰.۱۰ دلار در ثانیه است.

مدل نسل بعدی تولید و ویرایش ویدیو ما.

^* صورتحساب بر اساس کل مصرف توکن خروجی محاسبه می‌شود که با نرخ ۵۷۹۲ توکن در ثانیه از ویدیوی ۷۲۰p محاسبه می‌شود. تحت قیمت‌گذاری استاندارد، این معادل قیمت مؤثر تقریباً ۰.۱۰ دلار در ثانیه است.

مدل حرفه‌ای نسل سوم ما، برای درک چندوجهی، قابلیت‌های عامل‌محور و کدگذاری ارتعاشی ساخته شده است.

^* درخواست ارسالی مشتری به Gemini ممکن است منجر به یک یا چند جستجو در جستجوی گوگل شود. برای هر جستجوی انجام شده، هزینه از شما دریافت خواهد شد.

^** قابل آزمایش در استودیوی هوش مصنوعی گوگل.

مدل تولید تصویر فلش Gemini 3.1 که برای سرعت و کارایی طراحی شده است، برای پاسخ‌های سریع و تعاملی و توان عملیاتی بالا مؤثر است.

^* خروجی تصویر به ازای هر ۱,۰۰۰,۰۰۰ توکن ۶۰ دلار قیمت دارد. تصاویر خروجی با وضوح ۰.۵ هزار پیکسل (۵۱۲ پیکسل) ۷۴۷ توکن مصرف می‌کنند و معادل ۰.۰۴۵ دلار برای هر تصویر هستند. تصاویر خروجی با وضوح ۱ هزار پیکسل (۱۰۲۴x۱۰۲۴ پیکسل) ۱۱۲۰ توکن مصرف می‌کنند و معادل ۰.۰۶۷ دلار برای هر تصویر هستند. تصاویر خروجی با وضوح ۲ هزار پیکسل (۲۰۴۸x۲۰۴۸ پیکسل) ۱۶۸۰ توکن مصرف می‌کنند و معادل ۰.۱۰۱ دلار برای هر تصویر هستند. تصاویر خروجی با وضوح ۴ هزار پیکسل (۴۰۹۶x۴۰۹۶ پیکسل) ۲۵۲۰ توکن مصرف می‌کنند و معادل ۰.۱۵۱ دلار برای هر تصویر هستند.

^** درخواست ارسالی مشتری به Gemini ممکن است منجر به یک یا چند پرس‌وجو در جستجوی گوگل شود. برای هر پرس‌وجوی جستجوی انجام شده، هزینه از شما دریافت خواهد شد. محتوای بازیابی شده (متن یا تصاویر) ارائه شده توسط Grounding with Google Search به عنوان توکن ورودی هزینه‌ای دریافت نمی‌کند.

^*** قابل آزمایش در استودیوی هوش مصنوعی گوگل.

مدل Gemini 3.1 Flash Lite Image که به عنوان متخصص بهره‌وری در خانواده تولید تصویر طراحی شده است، برای تولید و ویرایش تصویر با تأخیر بسیار کم و مقرون به صرفه طراحی شده است.

^* خروجی تصویر به ازای هر ۱,۰۰۰,۰۰۰ توکن، ۳۰ دلار قیمت دارد. تصاویر خروجی با وضوح ۱K (۱۰۲۴x۱۰۲۴px) ۱۱۲۰ توکن مصرف می‌کنند و معادل ۰.۰۳۳۶ دلار برای هر تصویر هستند.

مدل صوتی متن به گفتار ۳.۸ فلش ما برای وفاداری به صدا در سطح استودیویی، اجرای رسا و پایداری در مکالمات طولانی مهندسی شده است.

^* توکن‌های صوتی معادل ۲۵ توکن در هر ثانیه از صدا هستند.

مدل صوتی متن به گفتار ۳.۸ اینچی Flash-Lite ما برای گفتار محاوره‌ای با توان عملیاتی بالا، تأخیر کم و مقرون‌به‌صرفه بهینه شده است.

^* Audio tokens correspond to 25 tokens per second of audio.

Our 3.1 Flash Text-to-Speech audio model optimized for price-performant, low-latency, controllable speech generation.

^* Audio tokens correspond to 25 tokens per second of audio.

Our legacy Flash model, providing baseline speed and intelligence.

^* A customer-submitted request to Gemini may result in one or more queries to Google Search. You will be charged for each individual search query performed.

^** Can be tested in Google AI Studio.

Our native image generation model, optimized for speed, flexibility, and contextual understanding. Text input and output is priced the same as Gemini 3.1 Pro .

^* Image input is set at 560 tokens or $0.0011 per image.

^** Image output is priced at $120 per 1,000,000 tokens. Output images from 1024x1024px (1K) and up to 2048x2048px (2K) consume 1120 tokens and are equivalent to $0.134 per image. Output images up to 4096x4096px (4K) consume 2000 tokens and are equivalent to $0.24 per image.

^*** A customer-submitted request to Gemini may result in one or more queries to Google Search. You will be charged for each individual search query performed.

^**** Can be tested in Google AI Studio.

A Pro model which excels at coding and complex reasoning tasks.

Our first hybrid reasoning model which supports a 1M token context window and has thinking budgets.

A small and cost effective model, built for at scale usage.

Our Live API native audio models optimized for higher quality audio outputs with better pacing, voice naturalness, verbosity, and mood.

A native image generation model, optimized for speed, flexibility, and contextual understanding. Text input and output is priced the same as 2.5 Flash .

[*] Image output is priced at $30 per 1,000,000 tokens. Output images up to 1024x1024px consume 1290 tokens and are equivalent to $0.039 per image.

Our 2.5 Flash text-to-speech audio model optimized for price-performant, low-latency, controllable speech generation.

Our 2.5 Pro text-to-speech audio model optimized for powerful, low-latency speech generation for more natural outputs and easier to steer prompts.

A fast video generation model.

Google's music generation model.

Google's family of legacy music generation models.

Our first multimodal embedding model, mapping text, images, video, audio, and PDFs into a unified embedding space.

Gemini Robotics ER 2, short for Gemini Robotics Embodied Reasoning 2, is a vision-language model endpoint that enables robots to understand their environments precisely, supporting agentic orchestration of robots, video progress understanding, multi-robot collaboration, and advanced spatial reasoning.

Gemini Robotics ER 2 Streaming is a vision-language model endpoint for robotics optimized for real-time text streaming using the Live API. It accepts text, image, video, and audio input and supports bidirectional streaming with function calling.

Our lightweight, state-of the art, open model built from the same technology that powers our Gemini models.

Pricing for tools

Tools are priced at their own rates, applied to the model using them. Check the Models page for which tools are available to each model.

Pricing for agents

Agent usage costs are calculated based on the underlying token consumption and usage of the tools.

یادداشت‌ها

• Agentic video understanding: When using agentic video understanding, token usage is variable based on the content loaded by the model rather than full video length. This typically results in up to 88% fewer input tokens for long-form video, though token counts depend on query complexity and dynamic sampling depth (which may exceed 1 FPS for detailed visual segments). See Agentic video understanding .
• Document token billing: Tokens for the DOCUMENT modality (for example, PDFs) are billed at the image token rate. In API responses, these tokens appear under the DOCUMENT modality within promptTokensDetails .
• Google AI Studio usage is free of charge in all available regions . See Billing FAQs for details.
• Prices may differ from the prices listed here and the prices offered on Gemini Enterprise Agent Platform. For Gemini Enterprise Agent Platform prices, see the Gemini Enterprise Agent Platform pricing page .
• If you are using dynamic retrieval to optimize costs, only requests that contain at least one grounding support URL from the web in their response are charged for Grounding with Google Search. Costs for Gemini always apply. Rate limits are subject to change.