Google presenta Gemini 3.1 Flash TTS: un modelo de voz con control fino, diálogos y más de 70 idiomas

Google ha lanzado en versión preliminar Gemini 3.1 Flash TTS, un nuevo modelo de síntesis de voz que apuesta no solo por leer texto en voz alta, sino por dirigir la voz. La principal diferencia de esta versión es que el desarrollador puede fijar la entonación, el ritmo, el acento e incluso un cambio de emoción directamente en el prompt de texto, en lugar de ajustar el resultado a ciegas con un conjunto de parámetros fijos. Para el mercado de la IA de voz, es un cambio notable: el text-to-speech parece cada vez menos una caja negra y más una herramienta de dirección.

El lanzamiento se está desplegando en modo preview para desarrolladores a través de la API de Gemini y Google AI Studio, para clientes corporativos mediante Vertex AI y para usuarios de Workspace con Google Vids.

Según Google, Gemini 3.1 Flash TTS ha obtenido 1211 puntos Elo en el ranking Artificial Analysis TTS, que se basa en comparaciones ciegas de calidad de voz hechas por usuarios. La compañía lo describe como el modelo más natural y expresivo de su gama TTS. Google destaca además la combinación de alta calidad y un coste relativamente bajo, es decir, el modelo no apunta solo a demostraciones, sino a casos de uso masivos en productos.

La función clave de la actualización son las audio tags: comandos de texto integrados que controlan cómo se pronuncia exactamente una frase. El desarrollador puede describir una escena, asignar un perfil de voz a un personaje, añadir indicaciones de dirección sobre tono y ritmo, y después afinar frases concretas, o incluso partes de una misma frase, con etiquetas inline entre corchetes. En pocas palabras, la misma frase puede sonar tranquila, irritada, susurrada o acelerada sin cambiar a otro pipeline. Google AI Studio incorpora controles configurables para ello, y los ajustes ya preparados pueden exportarse a código de la API de Gemini para mantener el mismo sonido entre proyectos y plataformas.

El segundo énfasis es el alcance global. Gemini 3.1 Flash TTS admite más de 70 idiomas y no se limita a convertir texto en audio de manera formal, sino que atiende a rasgos locales del habla: acentos, matices dialectales y ritmo de entrega. Para los equipos de producto, esto es especialmente relevante en localización, doblaje, asistentes de voz, pódcast, vídeos formativos y audiolibros.

Otra diferencia destacada es el modo multihablante nativo. El modelo puede generar un diálogo entre dos hablantes en una sola solicitud, sin dividir la conversación en llamadas independientes a la API. Esto debería dar un ritmo más natural y mayor coherencia entre intervenciones que el esquema clásico, en el que cada voz se sintetiza por separado y luego se une desde la aplicación.

Google también ha incorporado marcas de agua SynthID en todo el flujo de audio generado. No deberían ser perceptibles para el oyente, pero permiten determinar con fiabilidad que la grabación fue creada por IA. Con la mejora de la voz sintética, esto ya no es una opción adicional, sino un elemento básico de seguridad: cuanto más convincente es la voz, más importante es poder verificar su origen automáticamente.

El modelo, no obstante, sigue en preview y tiene limitaciones. En su documentación, Google indica que este TTS no admite streaming, que las respuestas largas de varios minutos pueden perder estabilidad y calidad, y que en casos raros el servicio devuelve tokens de texto en lugar de audio, por lo que la solicitud puede terminar con un error 500. También hay un matiz con los prompts: si la instrucción es vaga, el modelo puede rechazar la solicitud o leer literalmente las notas de dirección que eran instrucciones.

La conclusión es sencilla: Google intenta convertir la síntesis de voz, que era una herramienta de API muy específica, en parte de la plataforma multimodal completa de Gemini. Gemini 3.1 Flash TTS interesa no solo porque suena mejor que las versiones anteriores, sino porque ofrece al desarrollador una interfaz más clara y controlable para trabajar con la voz. Si la compañía logra estabilizar pronto las generaciones largas y mantiene el equilibrio entre precio y calidad, tiene buenas opciones de afianzarse no solo en la capa de infraestructura, sino también en productos creativos de voz, donde hasta ahora han dominado los servicios TTS especializados.