Google presenta Gemini 3.1 Flash TTS, un modelo de texto a voz diseñado para producir conversaciones más naturales, expresivas y controlables. La propuesta no se limita a leer texto en voz alta: permite dirigir una interpretación con instrucciones sobre el tono, el ritmo, el acento y la forma de hablar.
La versión ya comienza a llegar en vista previa a desarrolladores mediante la Gemini API y Google AI Studio, a empresas a través de Vertex AI y a usuarios de Workspace por medio de Google Vids.
Una voz más natural y fácil de dirigir
Gemini 3.1 Flash TTS mejora la calidad general de la síntesis de voz y añade controles más precisos para crear experiencias de audio. Según Google, el modelo alcanzó una puntuación Elo de 1.211 en el ranking de Artificial Analysis, una evaluación basada en miles de comparaciones realizadas por personas sin conocer qué sistema produjo cada audio.
¿La importancia de este dato? No solo se mide si una voz pronuncia correctamente las palabras. También se evalúa si suena natural, convincente y agradable frente a otras alternativas.
Artificial Analysis ubicó al modelo en su cuadrante de opciones más atractivas por combinar calidad de generación y costos relativamente bajos. Además, Gemini 3.1 Flash TTS incorpora diálogo nativo entre varios hablantes y compatibilidad con más de 70 idiomas.
Audio tags para controlar la interpretación
Una de las novedades principales son las audio tags, instrucciones escritas en lenguaje natural que permiten modificar cómo debe sonar una frase. Por ejemplo, un desarrollador podría solicitar una entrega más pausada, un tono emocionado o una reacción de sorpresa en mitad de una oración.
Este enfoque acerca la creación de voces a la dirección de actores. En lugar de configurar decenas de parámetros técnicos, puedes describir la escena y pedirle al modelo que ajuste la interpretación.
El desarrollador toma el papel de director
Google AI Studio incorpora controles configurables para organizar una actuación de voz completa:
- Dirección de escena: permite definir el entorno, el contexto y las instrucciones de diálogo para que los personajes mantengan su personalidad durante varios turnos.
- Configuración por hablante: cada personaje puede recibir un perfil de audio propio, junto con indicaciones sobre ritmo, tono y acento.
- Cambios dentro de una frase: las etiquetas insertadas en el texto permiten variar la expresión en momentos específicos, sin modificar toda la configuración del personaje.
- Exportación a la API: cuando el resultado está listo, los parámetros pueden convertirse en código para reproducir voces consistentes en distintos proyectos y plataformas.
Imagina un audiolibro con varios personajes, un asistente educativo que adapta su tono según la edad del estudiante o un videojuego con diálogos que reaccionan al contexto. Estas funciones buscan que la voz generada no suene como una lectura uniforme, sino como una actuación con intención.
Diseñado para aplicaciones globales
El soporte para más de 70 idiomas apunta a casos de uso internacionales, como atención al cliente, formación, localización de contenido y herramientas de accesibilidad. La combinación de control sobre el acento, el ritmo y el estilo puede ayudar a crear experiencias menos genéricas para cada mercado.
Para una empresa, esto significa que localizar una aplicación no tendría que consistir únicamente en traducir el texto. También sería posible ajustar la forma en que se comunica: más formal en un contexto corporativo, más cercana en una aplicación de aprendizaje o más dinámica en una campaña audiovisual.
SynthID para identificar el audio generado
Todo el audio producido por Gemini 3.1 Flash TTS incluye una marca de agua imperceptible de SynthID. Esta señal se integra directamente en el audio y está diseñada para facilitar la detección de contenido generado por inteligencia artificial.
La medida busca contribuir a la identificación de voces sintéticas y reducir riesgos relacionados con la desinformación. Sin embargo, una marca de agua no reemplaza la verificación humana ni las políticas de uso responsable, especialmente cuando el audio imita a personas reales o se emplea en contextos sensibles.
Qué cambia para los desarrolladores
Gemini 3.1 Flash TTS combina tres elementos relevantes: calidad de voz, control creativo y disponibilidad en herramientas de desarrollo. La vista previa permitirá probar el modelo antes de incorporarlo a productos de mayor escala, mientras que Vertex AI ofrece una vía orientada a entornos empresariales.
El punto más interesante es que la síntesis de voz se está acercando a una interfaz de dirección creativa. Ya no se trata solo de elegir una voz y cambiar su velocidad. Ahora puedes definir una escena, asignar personalidades y ajustar la interpretación casi como si estuvieras trabajando con un elenco digital.
Eso sí, los resultados finales dependerán del idioma, el contexto, la calidad de las instrucciones y las condiciones de disponibilidad de la vista previa. La tecnología promete voces más expresivas, pero todavía será necesario evaluar latencia, costos, consistencia y controles de seguridad antes de usarla en producción.
Fuente original
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts