Google Gemini 3.1 Flash TTS

Las etiquetas de audio son la función estrella. Incrustas comandos en lenguaje natural directamente en el texto, como [very fast] o [sarcastically, one slow word at a time], y el modelo actúa en consecuencia. No hay una lista fija, así que puedes escribir etiquetas con palabras normales y el modelo hace lo posible por interpretarlas. También puedes añadir sonidos no verbales como [cough], [sighs] o [gasp]. Etiquetas cortas, cambios grandes.

Gemini 3.1 Flash TTS cubre más de 70 idiomas y ofrece acentos regionales en lugar de un único registro plano, así que el mismo guion puede sonar genuinamente local y no como traducido a una voz genérica. El inglés, por ejemplo, incluye acentos como Southern US, California Valley, Brixton y británico estándar. El modelo detecta el idioma de tu texto de forma automática, así que no lo etiquetas a mano.

El modelo genera varias voces en una sola salida y mantiene cada una consistente entre turnos. Asignas a cada personaje un perfil de audio y luego añades notas de dirección para alternar ritmo, tono y acento por hablante. Las conversaciones largas no se desvían hacia la misma voz a mitad de camino.

La dirección de escena fija el contexto de toda una grabación. Describes el entorno y las instrucciones del diálogo. El modelo usa esa construcción de mundo para mantener a los personajes en su papel. Una escena planteada como una sala de interrogatorios tensa suena distinta a una tienda de conveniencia de madrugada, y el modelo reacciona a esas señales. Mismo guion, otra sala. La entrega cambia.

En la clasificación de TTS de Artificial Analysis, un referente construido con miles de preferencias humanas a ciegas, el modelo obtuvo un Elo de 1.211, según Google. La empresa lo llama su modelo de voz más natural y expresivo hasta la fecha. Artificial Analysis también lo situó en su "cuadrante más atractivo" por el equilibrio entre calidad y costo. Los números solo llegan hasta cierto punto, pero esa puntuación lo coloca cerca de la cima.

Cada clip generado por el modelo lleva una marca de agua SynthID, la etiqueta invisible y verificable por máquina de Google que viaja con el audio y que las herramientas que ofrece Google pueden confirmar. Permite que plataformas y auditores confirmen que el audio provino del modelo. Para los editores preocupados por clones de voz y desinformación, es una comprobación de procedencia integrada y no un añadido.

Cuando ajustas una voz en AI Studio, puedes exportar toda la configuración como código de la API de Gemini. Eso mantiene consistente el sonido de un personaje entre proyectos, así no reconstruyes una voz desde cero cada vez que cambias de app. ¿Quieres el mismo narrador en dos productos distintos? Exporta una vez. Reutilízalo donde quieras.