Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview es la edición de texto a voz de la familia Gemini 3.1 Flash Audio. Acepta texto y produce audio hablado con expresividad dirigida por el prompt. Google describe esta generación como una mejora en naturalidad de voz, capacidad de control y rendimiento multilingüe, con diálogo nativo de varios hablantes y más de 70 idiomas. Un uso práctico es una lección narrada breve, un intercambio entre personajes o un pasaje hablado cuya interpretación importa tanto como su redacción.

Prepara un guion terminado y un encargo de interpretación. Esta generación utiliza instrucciones en lenguaje natural dentro de la entrada textual para dirigir el estilo vocal, el ritmo y la interpretación. El lanzamiento de Google introduce indicaciones de escena para establecer una situación, Audio Profiles de hablantes para definir personajes y Director’s Notes para dirigir el ritmo, el tono y el acento. Mantén identificables esas partes al preparar el prompt, para que las palabras previstas y las instrucciones de interpretación puedan revisarse de manera independiente. Un encargo conciso es más fácil de revisar que varias descripciones contradictorias de la misma voz.

Por ejemplo, un encargo original de ensayo puede describir a un narrador tranquilo que explica una exposición de museo, con frases medidas y un tono más cálido en la oración final. El guion que lo acompaña debe contener los nombres reales de la exposición y las palabras precisas que deben pronunciarse. Para un diálogo, da a los personajes perfiles distintos y una secuencia clara de turnos. Usa el contexto de escena para explicar si un hablante tranquiliza al otro, hace una pregunta sincera o responde con sorpresa contenida. El resultado generado que debe evaluarse es la interpretación audible de ese guion.

Las etiquetas de audio en línea agregan control local dentro del texto y permiten que la expresión de un hablante cambie dentro de una oración, en lugar de depender por completo de la indicación inicial. Google describe las etiquetas como controles del estilo vocal, el ritmo y la interpretación. Úsalas donde la actuación necesite un cambio particular y mantén el resto de la redacción natural para hablar. La distinción útil de esta edición está entre el encargo general de personaje o escena y el cambio local de interpretación. Un pasaje neutral corto puede establecer la voz base antes de que el guion agregue más dirección emocional.

Para trabajo multilingüe, proporciona el guion en el idioma final e indica el acento y el estilo de habla deseados en el encargo. El anuncio de Google documenta compatibilidad con más de 70 idiomas. Como preparación editorial práctica, usa una grafía consistente para nombres recurrentes, desarrolla abreviaturas ambiguas cuando se requiera una lectura concreta y comprueba los números en el resultado hablado. Una etiqueta de idioma por sí sola no determina cómo debe sonar una marca o un término prestado. Compara los pasajes que contienen esos términos con la lectura prevista antes de aceptar una narración larga.

La página exacta del modelo de Gemini API enumera un límite de entrada de 8,192 tokens y uno de salida de 16,384 tokens para este modelo preliminar. La ficha nativa del modelo TTS de DeepMind enumera por separado entrada de texto de hasta 16K tokens y salida de audio de 32K tokens; esas cifras de la ficha son distintas de los límites de servicio de Gemini API. Cuenta las indicaciones de interpretación como parte de la entrada preparada, además del guion. La capacidad de salida se expresa en tokens de audio, por lo que no garantiza una duración particular de grabación. Organiza una lección o historia larga en secciones coherentes, conserva el mismo encargo de personaje y escucha las uniones. Para diálogo escrito, comprueba la atribución y el orden de turnos, además de las palabras habladas y la interpretación emocional.

La documentación de migración de Google identifica la salida predeterminada de 3.1 como PCM sin procesar y sin encabezado, con tipo audio/l16. Los bytes de audio necesitan la información apropiada de reproducción o contenedor al preparar una grabación editable; agregar únicamente un nombre de archivo WAV no crea un encabezado WAV. Comprueba el formato real devuelto antes de importar el resultado. Google también indica que el audio generado por Gemini 3.1 Flash TTS lleva una marca de agua SynthID imperceptible. La marca se refiere a la identificación del audio generado y no reemplaza una transcripción, las etiquetas de hablantes ni una revisión auditiva.

El estilo de preparación de 3.1 difiere sustancialmente del de 3.8. Gemini 3.8 traslada las indicaciones sostenidas y la identidad del hablante a metadatos de voz estructurados, utiliza etiquetas entre corchetes angulares para eventos puntuales y cambia a WAV los valores predeterminados de solicitudes completadas. Conserva un prompt de 3.1 como prompt de 3.1, en lugar de mezclar esa estructura más nueva de solicitud. La tabla de modelos compatibles de Google enumera síntesis de uno y varios hablantes para 3.1, mientras que sus controles de voces diseñadas y replicación de voz pertenecen a las entradas de 3.8. La edición separada Flash Live maneja entrada de audio interactiva; esta edición TTS sirve para producción preparada de texto a audio.

Revisa la grabación frente al guion escrito para detectar palabras omitidas o repetidas, nombres, tiempos de los turnos y los cambios emocionales previstos. Si una oración necesita un énfasis diferente, revisa esa indicación local y examina la transición afectada. Este flujo hace útil el encargo de interpretación: registra qué debe permanecer estable en el hablante y qué debe cambiar en ese pasaje, mientras el guion conserva el contenido que la audiencia necesita escuchar.