Google Gemini 3.1 Flash TTS

As tags de áudio são o recurso de destaque. Você embute comandos em linguagem natural direto no texto, como [very fast] ou [sarcastically, one slow word at a time], e o modelo atua conforme isso. Não há uma lista fixa, então você pode escrever tags com palavras comuns e o modelo faz o possível para interpretá-las. Também pode adicionar sons não verbais como [cough], [sighs] ou [gasp]. Tags curtas, mudanças grandes.

O Gemini 3.1 Flash TTS cobre mais de 70 idiomas e oferece sotaques regionais em vez de um único registro plano, então o mesmo roteiro pode soar de fato local e não como traduzido para uma voz genérica. O inglês, por exemplo, inclui sotaques como Southern US, California Valley, Brixton e britânico padrão. O modelo detecta o idioma da sua entrada sozinho, então você não marca isso à mão.

O modelo gera várias vozes em uma única saída e mantém cada uma consistente entre as falas. Você atribui a cada personagem um perfil de áudio e depois adiciona notas de direção para alternar ritmo, tom e sotaque por falante. Conversas longas não se desviam para a mesma voz no meio do caminho.

A direção de cena define o contexto de toda uma gravação. Você descreve o ambiente e as instruções do diálogo. O modelo usa essa construção de mundo para manter os personagens no papel. Uma cena montada como uma sala de interrogatório tensa soa diferente de uma loja de conveniência de madrugada, e o modelo reage a essas pistas. Mesmo roteiro, outra sala. A entrega muda.

No ranking de TTS da Artificial Analysis, uma referência construída com milhares de preferências humanas às cegas, o modelo marcou um Elo de 1.211, segundo o Google. A empresa o chama de seu modelo de fala mais natural e expressivo até hoje. A Artificial Analysis também o colocou em seu "quadrante mais atraente" pelo equilíbrio entre qualidade e custo. Números só vão até certo ponto, mas essa pontuação o coloca perto do topo.

Todo clipe gerado pelo modelo leva uma marca d'água SynthID, o rótulo invisível e verificável por máquina do Google que acompanha o áudio e pode ser confirmado pelas ferramentas que o Google oferece. Ela permite que plataformas e auditores confirmem que o áudio veio do modelo. Para publicadores preocupados com clones de voz e desinformação, é uma checagem de procedência embutida, não um extra.

Quando você ajusta uma voz no AI Studio, pode exportar toda a configuração como código da API Gemini. Isso mantém o som de um personagem consistente entre projetos, então você não reconstrói uma voz do zero a cada troca de app. Quer o mesmo narrador em dois produtos diferentes? Exporte uma vez. Reutilize em qualquer lugar.