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.

توانمندترین مدل فلش ما برای گردش‌های کاری عامل‌محور و استدلال چندوجهی.

هوشمندترین مدل ما که برای سرعت ساخته شده است، هوش مرزی را با جستجو و ردیابی برتر ترکیب 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.

هوشمندترین مدل ما که برای سرعت ساخته شده است، هوش مرزی را با جستجو و ردیابی برتر ترکیب 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 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.

مقرون‌به‌صرفه‌ترین مدل GA ما، 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.

مقرون‌به‌صرفه‌ترین مدل ما، 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، که 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.

جدیدترین بهبودهای عملکرد، هوش و قابلیت استفاده در بهترین خانواده مدل در جهان برای درک چندوجهی، قابلیت‌های عامل‌محور و کدگذاری ارتعاشی.

^* 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 کم‌تأخیر و تبدیل صدا به صدا ما، برای گفتگوی بلادرنگ با تشخیص ظرافت صوتی، دقت عددی و آگاهی چندوجهی بهینه 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.

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 تبدیل متن به گفتار فلش ۳.۱ ما برای تولید گفتار قابل کنترل، با تأخیر کم و با عملکرد مناسب از نظر قیمت بهینه شده است.

مدل‌های پیش‌نمایش ممکن است قبل از پایدار شدن تغییر کنند و محدودیت‌های نرخ محدودتری داشته باشند.

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

هوشمندترین مدل ما که برای سرعت ساخته شده است، هوش مرزی را با جستجو و ردیابی برتر ترکیب 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 تولید تصویر بومی ما، که برای سرعت، انعطاف‌پذیری و درک متنی بهینه شده است. ورودی و خروجی متن با قیمتی مشابه Gemini 3.1 Pro ارائه می‌شود.

^* ورودی تصویر ۵۶۰ توکن یا ۰.۰۰۱۱ دلار برای هر تصویر تعیین شده است.

^** خروجی تصویر به ازای هر ۱,۰۰۰,۰۰۰ توکن ۱۲۰ دلار قیمت دارد. تصاویر خروجی از ۱۰۲۴x۱۰۲۴px (1K) تا ۲۰۴۸x۲۰۴۸px (2K) ۱۱۲۰ توکن مصرف می‌کنند و معادل ۰.۱۳۴ دلار برای هر تصویر هستند. تصاویر خروجی تا ۴۰۹۶x۴۰۹۶px (4K) ۲۰۰۰ توکن مصرف می‌کنند و معادل ۰.۲۴ دلار برای هر تصویر هستند.

^*** 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 است.

مدل چندمنظوره پیشرفته ما، که در کدنویسی و کارهای استدلالی پیچیده عالی عمل می‌کند.

اولین مدل استدلال ترکیبی ما که از یک پنجره زمینه ۱ میلیون توکنی پشتیبانی می‌کند و دارای بودجه‌های تفکر است.

کوچکترین و مقرون به صرفه ترین مدل ما، ساخته شده برای استفاده در مقیاس بزرگ.

جدیدترین مدل مبتنی بر Gemini 2.5 Flash lite که برای صرفه‌جویی در هزینه، توان عملیاتی بالا و کیفیت بالا بهینه شده است.

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

Preview models may change before becoming stable and have more restrictive rate limits.

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

Preview models may change before becoming stable and have more restrictive rate limits.

[*] 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.

مدل صوتی تبدیل متن به گفتار ۲.۵ فلش ما برای تولید گفتار قابل کنترل، با تأخیر کم و با عملکرد مناسب از نظر قیمت بهینه شده است.

Preview models may change before becoming stable and have more restrictive rate limits.

مدل صوتی متن به گفتار نسخه ۲.۵ پرو ما برای تولید گفتار قدرتمند و با تأخیر کم بهینه شده است تا خروجی‌های طبیعی‌تر و هدایت آسان‌تر دستورات را فراهم کند.

Preview models may change before becoming stable and have more restrictive rate limits.

[*] 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.

جدیدترین مدل تولید تصویر ما، با رندر متن به طور قابل توجهی بهتر و کیفیت کلی تصویر بهتر.

Preview models may change before becoming stable and have more restrictive rate limits.

Our latest video generation model, available to developers on the paid tier of the Gemini API.

Preview models may change before becoming stable and have more restrictive rate limits.

Our stable video generation model, available to developers on the paid tier of the Gemini API.

Our state-of-the-art video generation model, available to developers on the paid tier of the Gemini API.

Google's family of music generation models. Preview models may change before becoming stable and have more restrictive rate limits.

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

Our Gemini Embeddings model for text-only use cases, available to developers on the free and paid tiers of the Gemini API.

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.

Gemini Robotics ER, short for Gemini Robotics-Embodied Reasoning, is a thinking model that enhances robots' abilities to understand and interact with the physical world.

Our Computer Use model optimized for building browser control agents that automate tasks.

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

• 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.