Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS es el integrante orientado a la capacidad de producción de la familia de texto a voz 3.8 de Google. Recibe un guion escrito y produce audio hablado. Google lo posiciona para funciones de lectura en voz alta, narración cotidiana de un solo hablante, producción de audio de gran volumen y la etapa de salida de voz de sistemas de agentes de voz. Un entregable útil es un artículo leído con una voz consistente, una explicación hablada de un producto o un conjunto de grabaciones instructivas breves. El guion ya debe contener las palabras que el oyente necesita escuchar.

La familia 3.8 separa la transcripción de las indicaciones de interpretación. Conserva literalmente el texto hablado y coloca la emoción sostenida, el ritmo, el volumen o el estilo de interpretación en los metadatos de voz. Una introducción cálida, una instrucción urgente y un cierre suave pueden tener cada uno una descripción breve de estilo asociada a su propio turno. Un texto como “Di esto alegremente” dentro de la transcripción puede pronunciarse. Los nombres de los hablantes pertenecen a sus metadatos, no a etiquetas dentro del guion audible. Esta preparación es especialmente importante al reutilizar prompts escritos para Gemini 3.1 Flash TTS.

Usa etiquetas en línea entre corchetes angulares para eventos breves en un punto específico: una respiración, risa, tos, suspiro o pausa. Por ejemplo, la transcripción “El siguiente paso es sencillo. <short pause> Elige tu idioma preferido” mantiene la pausa prevista junto a las palabras a las que afecta. Coloca una interpretación susurrada sostenida en la descripción del estilo en lugar de agregar repetidamente etiquetas de eventos. Google recomienda nombres de etiquetas en inglés incluso para guiones en otros idiomas. Estos controles dirigen la voz; una pista de aplausos o un portazo requieren producción sonora aparte, en lugar de una etiqueta de evento vocal.

Google enumera 101 idiomas compatibles con esta edición, incluidos inglés, ruso, chino, japonés, coreano, francés, alemán, español, indonesio y vietnamita. Escribe el guion terminado en el idioma previsto, incluida la forma deseada de nombres, abreviaturas y números. Como preparación editorial, desarrolla una abreviatura ambigua o escribe la lectura prevista de un número cuando el oyente deba escuchar una forma particular. Escucha un pasaje inicial con los nombres y transiciones difíciles antes de dar por terminada una grabación larga. Una cantidad de idiomas no hace intercambiables todas las pronunciaciones regionales.

El fabricante admite voces prediseñadas, una biblioteca ampliada de voces, personalidades vocales diseñadas y replicación de voz. Selecciona la identidad de la voz por separado de las indicaciones temporales de actuación. Reutiliza esa identidad y una descripción breve de interpretación entre secciones cuando la narración deba mantenerse consistente. En la configuración documentada de dos hablantes, da a cada turno un hablante explícito que corresponda a una de las dos voces prediseñadas configuradas. La guía de Google aborda las escenas de varios personajes con voces diseñadas o replicadas generando los turnos individuales. Esta distinción importa al planear un diálogo, en lugar de un narrador único.

Para solicitudes completas comunes, la guía de 3.8 de Google especifica audio WAV con encabezado RIFF, que contiene PCM de 24 kHz, mono, de 16 bits con signo y orden little-endian. Su configuración de transmisión devuelve por defecto fragmentos de PCM sin procesar y sin encabezado; la guía también documenta opciones de codificación PCM lineal sin procesar, mu-law y A-law. Ajusta la reproducción o edición al formato real de salida. Cambiar la extensión de PCM sin encabezado a WAV no agrega la información del contenedor. Al armar turnos generados por separado, mantén consistente el formato de audio y trata cada WAV completo como un archivo con su propio encabezado.

La página exacta del modelo enumera límites de Gemini API de 8,192 tokens de entrada y 16,384 de salida. Los tokens de audio no expresan un número fijo de segundos hablados. Prepara el material largo en secciones con sentido, conserva la misma voz e indicaciones de estilo y escucha las uniones. Estos son los límites de servicio documentados por el fabricante para este modelo; describen una magnitud diferente de un campo genérico de contexto de catálogo. La entrada es texto y la salida es audio, por lo que redactar guiones, traducir y transcribir son tareas distintas de preparación o seguimiento.

Flash-Lite comparte la estructura de solicitudes de 3.8 con Gemini 3.8 Flash TTS. La elección práctica se refiere a la interpretación requerida: Flash-Lite se dirige a producción rápida y repetida, mientras que Flash TTS es el nivel creativo para pronunciación difícil, actuación matizada y una cobertura dialectal más amplia. Un artículo de ayuda rutinario y una escena dramática de dos personajes plantean exigencias diferentes a la voz. Revisa la grabación real para detectar palabras omitidas o repetidas, pronunciación, ritmo y cambios audibles entre segmentos antes de usarla en la experiencia auditiva final.