Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS es el nivel de interpretación vocal creativa de la familia de texto a voz 3.8 de Google. Se centra en fidelidad acústica, amplitud emocional, acentos regionales y continuidad de la voz de un personaje a lo largo de diálogos extensos. Google destaca audiolibros, narración de estudio, pronunciación difícil y escenas con una actuación vocal considerable. La salida es audio hablado a partir de un guion de texto preparado, adecuado para revisar la interpretación de un narrador o acomodar una conversación escrita junto a otros elementos de producción.

Comienza con las palabras exactas que deben escucharse. La transcripción de 3.8 se trata de forma literal, mientras que el hablante y la interpretación sostenida pertenecen a metadatos de voz separados. Da a cada turno una identidad clara de hablante y, cuando sea útil, una indicación breve de estilo como preocupación contenida o curiosidad alegre. Divide una línea en turnos distintos cuando cambien sustancialmente la emoción o el ritmo. Así es más fácil revisar el encargo: la transcripción contiene el diálogo y la indicación adjunta explica cómo debe interpretarse esa parte. Las instrucciones escritas comunes colocadas en la transcripción pueden leerse en voz alta.

El sistema de voces 3.8 de Google incluye voces prediseñadas, una biblioteca ampliada de voces, personalidades diseñadas e identidades vocales replicadas. Elige la personalidad base antes de aplicar cambios temporales de actuación. Un acento regional estable o una identidad de personaje pertenecen a la voz elegida; el campo de estilo controla la interpretación actual. El fabricante aconseja reutilizar esa voz con indicaciones breves en lugar de repetir bloques largos de Audio Profile o Director’s Notes. Su configuración documentada de diálogo en una sola solicitud combina hasta dos hablantes prediseñados. Para personajes diseñados o replicados, la guía indica generar turnos individuales al armar un intercambio entre varios personajes.

Coloca una vocalización humana breve o una pausa en el punto pertinente con una etiqueta entre corchetes angulares. Un ejemplo de guion original es “Pensé que te habías ido. <short pause> <sigh> Dejé la luz encendida”. Asocia una interpretación apagada a todo el turno, en lugar de insertar esa instrucción entre las palabras habladas. La puntuación y las mayúsculas pueden ayudar a expresar una vacilación o enfatizar una palabra. Google también documenta reacciones del oyente delimitadas por barras verticales para respuestas breves de escucha y diálogos superpuestos, e identifica Flash TTS como la edición 3.8 preferida para una mayor superposición. Mantén esas reacciones lo bastante cortas para que el oyente aún comprenda la línea principal.

El fabricante enumera 130 idiomas compatibles con Flash TTS y enfatiza la cobertura de dialectos regionales y minoritarios. Un encargo de interpretación regional es útil para un personaje localizado de audiolibro o una narración cuyo acento importa a la audiencia. Prepara el guion en su idioma final, con grafías consistentes de nombres recurrentes y una lectura intencional de abreviaturas y números. Como paso editorial, comienza la revisión auditiva con los pasajes que contienen nombres difíciles, cambios de dialecto o transiciones emocionales. El acento y el ritmo deseados deben evaluarse en la voz generada, en lugar de suponerse únicamente por la etiqueta del idioma.

La guía de salida de 3.8 distingue los archivos completos del audio transmitido. El valor predeterminado de una solicitud completada es un archivo WAV con encabezado RIFF: 24 kHz, mono, PCM de 16 bits con signo y orden little-endian. El valor predeterminado de la transmisión es PCM lineal sin procesar y sin encabezado, con las mismas características de muestreo. PCM lineal sin procesar, mu-law y A-law también son opciones de codificación documentadas. Usa la información real de codificación al preparar la reproducción o importar el resultado a un editor. Para una secuencia de archivos separados de diálogo, mantén consistentes sus formatos y revisa las uniones para detectar cambios repentinos de nivel, ritmo o sonido ambiente.

La página exacta del modelo de Google especifica límites de servicio de Gemini API de 8,192 tokens de entrada y 16,384 de salida. Son límites de tokens, no una duración fija de audiolibro ni un número exacto de segundos de voz. Divide los guiones largos en límites con sentido y conserva la identidad vocal elegida entre secciones. En una producción del tamaño de un capítulo, escucha la continuidad en los cambios de párrafo y escena, además de la exactitud de las palabras dentro de cada segmento. Una buena revisión práctica registra qué líneas necesitan revisiones de pronunciación o actuación, en lugar de reescribir todo el encargo vocal después de cada toma.

Flash TTS y Flash-Lite TTS comparten la estructura de preparación de 3.8, por lo que la elección de edición puede seguir las exigencias del trabajo. Flash TTS enfatiza actuación, diálogo complejo, pronunciaciones difíciles y una cobertura dialectal más amplia; Flash-Lite enfatiza capacidad de producción para contenido hablado rutinario. Los controles expresivos se refieren a voz humana y eventos vocales. Los efectos de fondo, la música y una mezcla de producción terminada pueden planearse como recursos separados. La escritura de guiones, la traducción y el reconocimiento de voz grabada siguen siendo etapas distintas alrededor de este modelo de texto a audio.