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 una expresividad dirigida mediante prompts. Google describe esta generación como una mejora en la naturalidad del habla, la capacidad de control y el rendimiento multilingüe, con diálogos con varios hablantes de forma nativa y más de 70 idiomas. Un uso práctico es una breve lección narrada, un intercambio entre personajes o un pasaje hablado cuya interpretación importa tanto como su redacción.

Prepara un guion terminado y una guía de interpretación. Esta generación utiliza instrucciones en lenguaje natural dentro de la entrada de texto para orientar el estilo vocal, el ritmo y la interpretación. El lanzamiento de Google introduce indicaciones de escena para establecer una situación, Audio Profiles de los hablantes para definir a los personajes y Director’s Notes para orientar el ritmo, el tono y el acento. Mantén esas partes claramente identificadas al preparar el prompt, de modo que las palabras que deben pronunciarse y las instrucciones de interpretación puedan revisarse por separado. Una guía concisa es más fácil de revisar que varias descripciones que compiten por definir la misma voz.

Por ejemplo, una guía de ensayo original puede describir a un narrador tranquilo que explica una exposición de un museo, con un fraseo mesurado y un tono más cálido en la última frase. El guion que la acompaña debe contener los nombres reales de la exposición y la redacción exacta que debe locutarse. Para un diálogo, asigna perfiles diferenciados a los personajes y una secuencia clara de intervenciones. Utiliza el contexto de la escena para explicar si un hablante está tranquilizando al otro, planteando una pregunta sincera o respondiendo con sorpresa contenida. El artefacto generado que debe evaluarse es la interpretación audible de ese guion.

Las etiquetas de audio integradas en el texto añaden control local y permiten que la expresión de un hablante cambie dentro de una frase, en lugar de depender por completo de las indicaciones iniciales. Google describe las etiquetas como controles del estilo vocal, el ritmo y la interpretación. Utilízalas donde la interpretación necesite un cambio concreto y mantén el resto del texto natural para su lectura en voz alta. La distinción útil en esta edición es la que existe entre las indicaciones generales sobre el personaje o la escena y el cambio local en la interpretación. Un pasaje breve y neutro puede establecer la voz de referencia antes de que el guion incorpore más indicaciones emocionales.

Para trabajos multilingües, proporciona el guion en el idioma final e indica el acento y el estilo de habla deseados en la guía. El anuncio de Google documenta compatibilidad con más de 70 idiomas. Como preparación editorial práctica, mantén una grafía uniforme para los nombres recurrentes, desarrolla las 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 un nombre de marca o un préstamo lingüístico. Compara los pasajes que contienen esos términos con la lectura prevista antes de aceptar una narración larga.

La página específica del modelo en la Gemini API indica un límite de entrada de 8,192 tokens y un límite de salida de 16,384 tokens para este modelo en versión preliminar. Por separado, la ficha del modelo TTS nativo de DeepMind indica una entrada de texto de hasta 16K tokens y una salida de audio de 32K tokens; esas cifras de la ficha del modelo son distintas de los límites de servicio de la Gemini API. Incluye en el cómputo de la entrada preparada tanto las indicaciones de interpretación como el guion. El presupuesto de salida se expresa en tokens de audio, por lo que no garantiza una duración concreta de la grabación. Organiza una lección o un relato largo en secciones coherentes, conserva la misma guía del personaje y escucha los empalmes. Para los diálogos con guion, comprueba la atribución y el orden de las intervenciones, además de las palabras pronunciadas y la interpretación emocional.

La documentación de migración de Google identifica la salida predeterminada de 3.1 como PCM sin procesar y sin cabecera, con el tipo audio/l16. Al preparar una grabación editable, los bytes de audio necesitan la información adecuada de reproducción o del contenedor; asignarle un nombre de archivo WAV no crea por sí solo una cabecera WAV. Comprueba el formato realmente devuelto antes de importar el resultado. Google también afirma que el audio generado por Gemini 3.1 Flash TTS incorpora una marca de agua imperceptible SynthID. La marca de agua sirve para identificar el audio generado y no sustituye a una transcripción, a las etiquetas de hablante ni a una revisión mediante escucha.

La forma de preparar las entradas en 3.1 difiere sustancialmente de la de 3.8. Gemini 3.8 traslada las indicaciones persistentes y la identidad de los hablantes a metadatos estructurados de voz, utiliza etiquetas de eventos puntuales entre corchetes angulares y adopta WAV como formato predeterminado para las solicitudes completadas. Conserva un prompt de 3.1 como prompt de 3.1, sin mezclarlo con esa estructura de solicitud más reciente. La tabla de modelos compatibles de Google incluye síntesis con uno o varios hablantes para 3.1, mientras que sus controles de diseño de voces y replicación de voz corresponden a las entradas de 3.8. La edición independiente Flash Live gestiona la entrada de audio interactiva; esta edición TTS está destinada a la producción de audio a partir de texto preparado.

Revisa la grabación comparándola con el guion escrito para detectar palabras omitidas o repetidas, comprobar los nombres, el momento de las intervenciones y los cambios emocionales previstos. Si una frase necesita un énfasis diferente, revisa esa indicación local e inspecciona la transición afectada. Este flujo de trabajo hace que la guía de interpretación resulte útil: deja constancia de lo que debe permanecer estable en el hablante y de lo que debe cambiar en ese pasaje, mientras que el guion conserva el contenido que el público necesita escuchar.