Gemini 3.8 TTS: Google pone dirección de escena en el texto a voz

Google ha sacado la voz de Gemini 3.8 del cajón de “lee esto en voz alta” y la ha puesto en el de dirección de escena. Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS ya ruedan en Google AI Studio y en la Gemini API. Uno está pensado para diseñar personajes y dirigirlos frase a frase. El otro, para doblar y hablar a escala sin que la factura se coma el proyecto.

La diferencia no es un número de versión. Flash TTS permite inventar una voz con una instrucción en lenguaje natural, cambiar de acento a mitad de parlamento y marcar risas, suspiros o un “mhm” como si fueran acotaciones de un guion. Flash-Lite TTS promete el mismo control fino de tono y ritmo, pero optimizado para volumen: doblaje, agentes de voz y fábricas de audio.

-IA Crew dice: Hemos pasado de pedirle al modelo que “suene profesional” a escribirle “laughs” en el libreto. El teatro amateur acaba de fichar a un apuntador con API.-

Lo que hace Flash y lo que hace Lite

Flash TTS es el modelo de cabecera creativa. Google habla de más de 2.000 voces listas, incluidos acentos como el español de México, el francés de Quebec o el inglés de Escocia, y de más de 100 lenguas. Se puede clonar una voz a partir de 30 segundos de audio, con comprobación de consentimiento, marca de agua SynthID y credenciales C2PA. También hay generación larga que mantiene timbre y cadencia durante horas, y escenas nativas a dos hablantes con turnos que no parecen un walkie-talkie.

El control línea a línea es la parte que más cambia el oficio. En lugar de generar un bloque y rezar, el usuario mete indicaciones de actuación, cambios de dialecto o pequeñas interjecciones. Google presume del primer puesto en el Voice Design Benchmark de Hume AI (71,4) y del liderazgo en modelado de acento (60,8). En pruebas a ciegas de Voice Arena sitúa a Flash y Flash-Lite arriba en japonés, portugués de Brasil, vietnamita, árabe estándar, español mexicano e hindi.

Flash-Lite TTS ocupa el segundo puesto en el índice general de calidad de Hume, según el propio anuncio. No es el modelo “malo”. Es el que Google quiere poner detrás de un catálogo de doblaje o de un agente que atiende todo el día. Misma familia, distinta factura de uso.

Los dos modelos marcan cada clip con SynthID, una marca de agua pensada para que el audio generado se pueda detectar. No resuelve el problema social de las voces clonadas. Sí pone un gancho técnico para quien tenga que auditar después si esa locución salió de un estudio o de una API.

LiteLLM, que no es Google, publicó el primer día precios promocionales: 0,50 dólares por millón de tokens de texto de entrada y 9 dólares por millón de tokens de audio de salida en Flash TTS; Lite baja el audio a 6 dólares. La promo dura hasta el 31 de diciembre de 2026. A partir del 1 de enero de 2027 rige la tarifa estándar, que LiteLLM no detalla en ese mismo recuadro. Quien presupueste un serial de aquí a marzo tiene que contar dos épocas.

Para qué sirve de verdad, más allá del banco de voces

Un audiolibro deja de ser una sola garganta plana. Un pódcast puede tener dos personajes que se pisan un poco, que dudan, que sueltan un “ya” en el momento correcto. Un juego puede pedir un dragón y un narrador con cadencia regional sin grabar un casting. Eso es el caso de uso que Google escribe en grande.

El caso menos fotogénico es el de los agentes de voz. Ahí Lite tiene más sentido que Flash: muchas horas, mucha lengua, poco presupuesto por minuto. El riesgo es el de siempre. Una voz expresiva no convierte un procedimiento de atención al cliente en una conversación. Solo hace más caro detectar que estás hablando con un menú.

La clonación de 30 segundos, aunque lleve consentimiento y marca de agua, abre el debate que el sector ya conoce. Treinta segundos no es una barrera alta. SynthID y C2PA ayudan a quien quiera etiquetar. No detienen a quien quiera circular el archivo sin etiqueta. Google lo plantea como control de producto. El resto del ecosistema lo leerá como un nuevo suelo de calidad para el audio sintético.

-IA Crew dice: Si el modelo lidera en acento escocés y en “gasp”, el siguiente premio debería ser no usar esas dos cosas en la misma frase.-

Dónde se usa y qué no dice el anuncio

El despliegue empieza en AI Studio y en la API. Google anticipa llegada a Gemini Enterprise y menciona Gemini Notebook para Flash y Google Vids para Lite. No hay, en el post oficial, una tabla de precios firmada por Google. Quien necesite el número hoy depende de agregadores como LiteLLM o de la consola cuando muestre la línea.

Tampoco hay que leer el anuncio como si el problema del TTS estuviera resuelto. Mantener un personaje durante horas es difícil. Hacer que dos voces se interrumpan sin parecer un fallo de red es más difícil. Ganar un benchmark de diseño de voz no garantiza que un capítulo de tres horas no se despeine en la página 40.

Lo que sí cambia es el mínimo aceptable. A partir de este 23 de septiembre, un equipo que entregue locuciones planas no puede decir que “la API no daba para más”. Daba. Google acaba de ponerle nombre, marca de agua y dos tamaños. El resto es dirección: saber cuándo un personaje debe reír y cuándo más vale que se calle.

-IA Crew dice: El watermark detecta que la voz es sintética. Detectar que el guión es malo sigue siendo trabajo humano, por ahora.-

Diccionario de la Crew

TTS — Text to speech: modelo que convierte texto en audio hablado, aquí con control de actuación y no solo de dicción.

SynthID — Marca de agua imperceptible de Google insertada en el audio generado para facilitar su detección como contenido sintético.

Token — Unidad de texto o de audio con la que se factura el uso de la API; el precio promocional se expresa por millón de tokens.