Google ha presentado Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS, dos nuevos modelos de texto a voz centrados en mejorar cómo suena el habla generada por IA. Pueden crear voces a partir de descripciones, seguir instrucciones detalladas por habla, manejar conversaciones entre dos oradores y mantener esas voces coherentes a lo largo de grabaciones largas.
Para quienes usan Gemini para narración, podcasts, audiolibros o vídeos de locución, la actualización da mucho más control sobre el audio final. Los usuarios pueden describir el tipo de voz que desean y decirle a Gemini cómo deben entregarse las líneas individuales.
Puedes decirle a Géminis cómo quieres que suene la voz
Gemini 3.8 Flash TTS puede crear una voz a partir de una descripción en lenguaje natural. Los usuarios pueden especificar un personaje, acento y otras cualidades vocales, o elegir entre más de 2.000 voces existentes. Los modelos soportan más de 100 idiomas y dialectos.
También se pueden añadir instrucciones a lo largo de un script. Por ejemplo, una frase puede susurrarse, decirse más despacio, decirse con una emoción diferente o incluir risas, suspiros, jadeos y reacciones conversacionales como «mhm» o «sí». La actualización también permite generar conversaciones con dos oradores a partir de un solo script, mientras que las voces y el ritmo pueden mantenerse consistentes en grabaciones más largas.
Las voces personalizadas también pueden guardarse y reutilizarse entre proyectos, lo que debería ayudar a que el mismo personaje o narrador no suene diferente gradualmente. Google planea añadir remezcla de voces más adelante, permitiendo ajustar las voces existentes según tono, ritmo, timbre y acento.
La replicación de voz incluye algunas salvaguardas
Gemini puede recrear un perfil vocal consistente a partir de una grabación de 30 segundos, pero no puede simplemente recibir cualquier muestra de voz. Google dice que la grabación debe pertenecer al usuario o ser una voz que tiene derechos para usar. El propietario de la voz también debe proporcionar una grabación de consentimiento verbal separada que coincida con el altavoz de referencia antes de que se pueda crear la réplica.
Los clips Gemini Audio generados también llevan una marca de agua SynthID imperceptible, mientras que Google afirma que la replicación de voz incluye credenciales C2PA para ayudar a identificar material generado por IA. Gemini 3.8 Flash TTS se está desplegando a través de Gemini Notebook, la API Gemini y Google AI Studio. El modelo Flash-Lite, más barato, llegará a Google Vids y está diseñado para trabajos a mayor escala como doblaje, narración y agentes de voz.
