Google DeepMind ha introducido dos nuevos modelos de texto a voz en la familia Gemini: Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS. Estos modelos transforman la generación de voz de ajustes estáticos a un estudio creativo dinámico, permitiendo a creadores, desarrolladores y empresas crear experiencias de audio más ricas y expresivas. Gemini 3.8 Flash TTS está diseñado para una dirección creativa profunda y el diseño de personajes, permitiendo a los usuarios generar voces personalizadas desde cero mediante indicaciones en lenguaje natural en juegos, audiolibros, podcasts y medios interactivos. Gemini 3.8 Flash-Lite TTS se centra en la generación de alto volumen y costo eficiente, optimizado para doblaje, agentes de voz y contenido expresivo con control fino de tono y ritmo.

Estos modelos amplían la familia Gemini Audio, siguiendo lanzamientos como 3.5 Live Translate, 3.5 Transcribe, 3.8 Live y 3.8 Live Extended Thinking. Los usuarios pueden escalar desde 30 voces originales a una biblioteca infinita, accediendo a más de 2,000 voces listas para producción con amplia cobertura lingüística que incluye español mexicano, francés de Quebec y inglés escocés. La replicación de voz se admite a partir de una muestra de solo 30 segundos, respaldada por verificación de consentimiento, Synth ID de marca de agua y credenciales C2PA.

Ambos modelos ofrecen un control preciso de rendimiento línea por línea, generación de formato largo con mínima deriva del hablante, puesta en escena nativa de escenas con dos hablantes y ráfagas vocales guionizadas para una textura conversacional realista. También se anunciaron próximamente capacidades de remix de voz, que permitirán ajustar timbre, tono, velocidad y acento mediante indicaciones.

Entidades clave: Empresas: Google DeepMind, Google AI Studio, Google Vids | Personas: Alan Cowen

Preguntas frecuentes: ¿Cuáles son las diferencias clave entre Gemini 3.8 Flash TTS y Flash-Lite TTS?

Gemini 3.8 Flash TTS está diseñado para una dirección creativa profunda y el diseño de personajes, permitiendo crear voces personalizadas desde cero con control granular sobre indicaciones de actuación, ritmo y cambios de dialecto. Flash-Lite TTS está optimizado para alto volumen y escala costo eficiente, ideal para doblaje, agentes de voz y contenido expresivo con control fino de tono y ritmo.