Google: Gemini 3.8 Flash Lite TTS

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

La familia 3.8 separa la transcripción de las indicaciones de interpretación. Mantén literal el texto que se pronunciará y coloca en los metadatos de voz la emoción, el ritmo, el volumen o el estilo de interpretación que deban mantenerse durante la intervención. Una introducción cálida, una instrucción urgente y un cierre tranquilo pueden tener cada uno una breve descripción de estilo asociada a su propia intervención. Un texto como «Dilo con alegría» dentro de la transcripción puede llegar a pronunciarse. Los nombres de los hablantes deben figurar en los metadatos de hablante, no como etiquetas en el guion audible. Esta preparación es especialmente importante al reutilizar prompts escritos para Gemini 3.1 Flash TTS.

Utiliza etiquetas entre corchetes angulares insertadas en el texto para eventos breves en un punto concreto: una respiración, una risa, una tos, un suspiro o una 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. Incluye una interpretación susurrada sostenida en la descripción de estilo en lugar de añadir 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 separada, en lugar de una etiqueta de evento vocal.

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

El fabricante admite voces predefinidas, una biblioteca ampliada de voces, personalidades vocales diseñadas y replicación de voces. Selecciona la identidad vocal por separado de las indicaciones interpretativas temporales. Reutiliza esa identidad y una descripción breve de la interpretación entre secciones cuando la narración deba mantener la coherencia. En la configuración documentada de dos hablantes, asigna a cada intervención un hablante explícito que corresponda a una de las dos voces predefinidas configuradas. La guía de Google aborda las escenas de varios personajes con voces diseñadas o replicadas mediante la generación individual de las intervenciones. Esta distinción importa al planificar un diálogo en lugar de una narración con una sola voz.

Para las solicitudes completadas habituales, la guía 3.8 de Google especifica audio WAV con cabecera RIFF, que contiene PCM mono a 24 kHz, de 16 bits con signo y orden de bytes little-endian. Su configuración de streaming devuelve por defecto fragmentos de PCM sin procesar y sin cabecera; la guía también documenta las opciones de codificación PCM lineal sin procesar, mu-law y A-law. Ajusta la configuración de reproducción o edición al formato real de salida. Cambiar la extensión de un archivo PCM sin cabecera a WAV no añade la información del contenedor. Al montar intervenciones generadas por separado, mantén un formato de audio coherente y trata cada WAV completo como un archivo con su propia cabecera.

La página específica del modelo indica límites de la Gemini API de 8192 tokens de entrada y 16 384 tokens de salida. Los tokens de audio no expresan un número fijo de segundos de habla. Prepara el material largo en secciones con sentido, conserva la misma voz y las mismas indicaciones de estilo, y escucha las uniones. Estos son los límites de servicio documentados por el fabricante para este modelo; describen una magnitud distinta de la de un campo genérico de contexto del catálogo. La entrada es texto y la salida es audio, por lo que la redacción del guion, la traducción y la transcripción son tareas separadas de preparación o posteriores.

Flash-Lite comparte la estructura de solicitud de 3.8 con Gemini 3.8 Flash TTS. La elección práctica depende de la interpretación necesaria: Flash-Lite está orientado a una producción rápida y repetida, mientras que Flash TTS es la variante creativa para pronunciaciones difíciles, interpretación matizada y una cobertura dialectal más amplia. Un artículo de ayuda habitual y una escena dramática entre dos personajes plantean exigencias distintas a la voz. Comprueba en la grabación real si hay palabras omitidas o repetidas, problemas de pronunciación o ritmo y cambios audibles entre segmentos antes de utilizarla en la experiencia de escucha definitiva.