Google apresenta o Gemini 3.1 Flash TTS: modelo de voz com controle fino, diálogos e mais de 70 idiomas

O Google colocou em prévia o Gemini 3.1 Flash TTS, novo modelo de síntese de fala que aposta não apenas em ler texto em voz alta, mas em dirigir a voz. A principal diferença do lançamento é que o desenvolvedor pode definir entonação, ritmo, sotaque e até uma mudança de emoção direto no prompt de texto, em vez de ajustar o resultado às cegas com um conjunto de parâmetros fixos. Para o mercado de IA de voz, é uma mudança notável: o text-to-speech parece cada vez menos uma caixa-preta e mais uma ferramenta de direção.

O lançamento está sendo liberado em modo preview para desenvolvedores pela API Gemini e pelo Google AI Studio, para clientes corporativos pelo Vertex AI e para usuários do Workspace pelo Google Vids.

Segundo o Google, o Gemini 3.1 Flash TTS alcançou 1211 pontos Elo no ranking Artificial Analysis TTS, baseado em comparações cegas de qualidade de fala feitas por usuários. A empresa o descreve como o modelo mais natural e expressivo de sua linha TTS. O Google também destaca a combinação de alta qualidade e custo relativamente baixo, ou seja, o modelo mira não só demonstrações, mas casos de uso em produtos de grande escala.

O recurso central da atualização são as audio tags: comandos de texto embutidos que controlam exatamente como uma frase é pronunciada. O desenvolvedor pode descrever uma cena, dar um perfil de voz a um personagem, incluir orientações de direção sobre tom e ritmo e, depois, refinar falas específicas, ou até trechos de uma mesma fala, com tags inline entre colchetes. Em termos simples, a mesma frase pode soar calma, irritada, sussurrada ou acelerada sem trocar de pipeline. O Google AI Studio ganhou controles configuráveis para isso, e configurações prontas podem ser exportadas para código da API Gemini, mantendo o mesmo som entre projetos e plataformas.

O segundo destaque é a escala global. O Gemini 3.1 Flash TTS suporta mais de 70 idiomas e não se limita à conversão formal de texto em áudio: considera particularidades locais da fala, como sotaques, nuances dialetais e ritmo de entrega. Para equipes de produto, isso pesa principalmente em localização, dublagem, assistentes de voz, podcasts, vídeos de treinamento e audiolivros.

Outra diferença marcante é o modo multifalante nativo. O modelo gera um diálogo entre dois falantes em uma única requisição, sem dividir a conversa em chamadas separadas à API. Isso deve render um ritmo mais natural e mais coerência entre as falas do que o esquema clássico, em que cada voz é sintetizada separadamente e depois unida no lado do aplicativo.

O Google também incorporou marcas d'água SynthID em todo o fluxo de áudio gerado. Elas não devem ser perceptíveis ao ouvinte, mas permitem identificar com segurança que a gravação foi criada por IA. Com a qualidade da fala sintética em alta, isso deixou de ser opcional e virou um elemento básico de segurança: quanto mais convincente a voz, mais importante é poder verificar sua origem por meios automáticos.

O modelo, porém, ainda está em preview e tem limitações. Na documentação, o Google informa que este TTS não suporta streaming, que respostas longas, de vários minutos, podem perder estabilidade e qualidade, e que, em casos raros, o serviço devolve tokens de texto em vez de áudio, o que pode terminar a requisição com erro 500. Há ainda um ponto sobre prompts: se a instrução for vaga, o modelo pode rejeitar a requisição ou ler literalmente as anotações de direção que eram instruções.

A conclusão é simples: o Google tenta transformar a síntese de voz, antes uma ferramenta de API de nicho, em parte da plataforma multimodal completa do Gemini. O Gemini 3.1 Flash TTS interessa não só por soar melhor que as versões anteriores, mas por oferecer ao desenvolvedor uma interface mais clara e controlável para trabalhar com voz. Se a empresa estabilizar rapidamente as gerações longas e mantiver o equilíbrio entre preço e qualidade, terá boas chances de se firmar não só na camada de infraestrutura, mas também em produtos criativos de voz, onde até agora dominavam os serviços de TTS especializados.