Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS es la variante orientada a la interpretación vocal creativa de la familia de conversión de texto a voz 3.8 de Google. Se centra en la fidelidad acústica, el registro emocional, los acentos regionales y la continuidad de la voz de un personaje a lo largo de diálogos extensos. Google destaca los audiolibros, la narración de estudio, las pronunciaciones difíciles y las escenas que exigen una interpretación vocal considerable. La salida es audio hablado a partir de un guion de texto preparado, adecuado para evaluar la interpretación de un narrador o integrar una conversación guionizada junto con otros elementos de producción.

Empieza por las palabras exactas que deben oírse. La transcripción de 3.8 se trata de forma literal, mientras que la identidad del hablante y las indicaciones de interpretación que se mantienen durante la intervención se incluyen en metadatos de voz separados. Asigna a cada intervención una identidad de hablante clara y, cuando resulte útil, una indicación de estilo breve, como preocupación contenida o curiosidad alegre. Divide una frase en intervenciones separadas cuando la emoción o el ritmo cambien de manera sustancial. Así resulta más fácil revisar las indicaciones: la transcripción contiene el diálogo y las instrucciones adjuntas explican cómo debe interpretarse esa parte. Las instrucciones escritas de forma ordinaria dentro de la transcripción pueden leerse en voz alta.

El sistema de voz 3.8 de Google incluye voces predefinidas, una biblioteca ampliada de voces, personalidades vocales diseñadas e identidades vocales replicadas. Elige la personalidad vocal de base antes de aplicar cambios interpretativos temporales. Un acento regional estable o la identidad de un personaje corresponden a la voz elegida; el campo de estilo controla la interpretación del momento. El fabricante recomienda reutilizar esa voz con indicaciones breves en lugar de repetir bloques extensos de Audio Profile o Director’s Notes. Su configuración documentada de diálogo en una sola solicitud combina hasta dos hablantes con voces predefinidas. Para personajes diseñados o replicados, la guía indica que las intervenciones deben generarse individualmente al montar un intercambio entre varios personajes.

Inserta una vocalización humana breve o una pausa en el punto correspondiente mediante una etiqueta entre corchetes angulares. Un ejemplo del guion original es: «Pensaba que te habías ido. <short pause> <sigh> Dejé la luz encendida». Asocia una interpretación contenida a toda la intervención en lugar de introducir esa instrucción entre las palabras que se pronunciarán. 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 señales de escucha y diálogos superpuestos, e identifica Flash TTS como la edición 3.8 preferida para una mayor superposición de voces. Mantén esas reacciones lo bastante breves para que el oyente siga entendiendo la intervención principal.

El fabricante indica que Flash TTS admite 130 idiomas y destaca la cobertura de dialectos regionales y minoritarios. Unas indicaciones de interpretación regional resultan útiles para un personaje de un audiolibro localizado o para una narración cuyo acento sea relevante para el público. Prepara el guion en su idioma definitivo, con grafías coherentes para los nombres recurrentes y una lectura deliberada de las abreviaturas y los números. Como paso editorial, empieza la revisión de escucha por 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 darse por supuestos únicamente por la etiqueta del idioma.

La guía de salida de 3.8 distingue entre archivos completos y audio en streaming. La salida predeterminada de una solicitud completada es un archivo WAV con cabecera RIFF: PCM mono a 24 kHz, de 16 bits con signo y orden de bytes little-endian. La salida predeterminada en streaming es PCM lineal sin procesar y sin cabecera, con las mismas características de muestreo. También se documentan PCM lineal sin procesar, mu-law y A-law como opciones de codificación. Utiliza la información real de codificación al preparar la reproducción o importar el resultado en un editor. Para una secuencia de archivos de diálogo separados, mantén sus formatos coherentes y revisa las uniones para detectar cambios repentinos de nivel, ritmo o ambiente acústico de fondo.

La página específica del modelo de Google establece límites de servicio de la Gemini API de 8192 tokens de entrada y 16 384 tokens de salida. Son límites de tokens, no una duración fija de audiolibro ni un número exacto de segundos de habla. Divide los guiones largos en puntos con sentido y conserva la identidad vocal elegida entre las secciones. En una producción de la extensión de un capítulo, escucha para comprobar la continuidad en los cambios de párrafo y de escena, además de la exactitud de las palabras dentro de cada segmento. Una buena revisión práctica registra qué frases necesitan ajustes de pronunciación o interpretación, en lugar de reescribir todas las indicaciones de voz 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 responder a las exigencias del trabajo. Flash TTS se centra en la interpretación, los diálogos complejos, las pronunciaciones difíciles y una cobertura dialectal más amplia; Flash-Lite prioriza la capacidad de producción para contenido hablado habitual. Los controles expresivos se refieren al habla humana y a los eventos vocales. Los efectos de fondo, la música y una mezcla de producción terminada pueden planificarse como recursos separados. La redacción de guiones, la traducción y el reconocimiento del habla grabada siguen siendo etapas distintas en torno a este modelo de texto a audio.