Google apresentou Gemini 3.1 Flash TTS — modelo de fala com controle, diálogos e 70+ idiomas

Google lançou o Gemini 3.1 Flash TTS em preview — um novo modelo de síntese de fala que aposta não simplesmente na locução de texto, mas na direção de voz gerenciada. A diferença-chave do lançamento é que desenvolvedores podem definir entonação, ritmo, sotaque e até mudanças emocionais diretamente no prompt de texto, em vez de escolher o resultado às cegas através de um conjunto de parâmetros fixos.

Para o mercado de IA de voz, essa é uma mudança notável: a síntese de texto para voz cada vez menos parece uma caixa preta e cada vez mais parece uma ferramenta de direção. O lançamento já está sendo distribuído em modo preview para desenvolvedores via Gemini API e Google AI Studio, para clientes corporativos via Vertex AI, e para usuários do Workspace via Google Vids. Segundo o Google, o Gemini 3.

1 Flash TTS obteve 1211 pontos Elo no ranking Artificial Analysis TTS, que se baseia em comparações cegas de qualidade de fala pelos usuários. A empresa chama o modelo de o mais natural e expressivo em sua linha de TTS. O Google também enfatiza a combinação de alta qualidade e custo relativamente baixo, ou seja, o modelo visa não apenas cenários de demonstração, mas também casos de uso de produtos em massa.

O recurso-chave da atualização é as audio tags — comandos de texto incorporados que permitem controlar exatamente como uma frase é pronunciada. Desenvolvedores podem descrever uma cena, atribuir um perfil de voz a um personagem, adicionar instruções de direção sobre tom e ritmo, e então refinar linhas individuais ou até partes de uma única linha através de tags inline entre colchetes. Em outras palavras, a mesma frase pode soar calma, irritada, sussurrada ou acelerada sem mudar para um pipeline diferente. No Google AI Studio, eles adicionaram controles configuráveis para isso, e as configurações prontas podem ser exportadas para código da Gemini API para manter o som consistente entre projetos e plataformas.

O segundo grande foco é a escala global. O Gemini 3.1 Flash TTS oferece suporte a mais de 70 idiomas e aposta não apenas na conversão formal de texto em áudio, mas também nas características de fala locais: sotaques, nuances dialetais e ritmo de entrega.

Para equipes de produtos, isso é especialmente importante em cenários de localização, dublagem, assistente de voz, podcasts, vídeos educacionais e audiolivros. Outra diferença notável é o modo nativo multi-speaker. O modelo pode gerar diálogos entre dois falantes em uma única solicitação sem quebrar a conversa em chamadas API separadas.

Isso deve fornecer um ritmo mais natural e consistência nas linhas do que o esquema clássico, onde cada voz é sintetizada separadamente e depois costurada no lado da aplicação.

O Google também incorporou marcas d'água SynthID em todo o áudio gerado. Elas não devem ser perceptíveis para o ouvinte, mas permitem determinar de forma confiável que a gravação foi criada por IA. Diante do crescimento da qualidade da fala sintética, isso não é mais uma opção adicional, mas um elemento básico de segurança: quanto mais convincente a voz, mais importante é a capacidade de verificar sua origem por máquina.

Ao mesmo tempo, o modelo está atualmente em preview e tem limitações. Na documentação, o Google observa que o TTS aqui não oferece suporte a streaming, respostas longas ao longo de vários minutos podem perder estabilidade e qualidade, e em casos raros o serviço retorna tokens de texto em vez de áudio, causando a falha da solicitação com erro 500. Uma nuance separada diz respeito aos prompts: se a instrução for vaga, o modelo pode rejeitar a solicitação ou literalmente pronunciar as notas de direção de serviço.

A conclusão aqui é simples: o Google está tentando transformar a síntese de fala de uma ferramenta API estreita em parte de uma plataforma Gemini totalmente multimodal. O Gemini 3.1 Flash TTS é interessante não apenas porque soa melhor que as versões anteriores, mas também porque oferece aos desenvolvedores uma interface mais clara e gerenciável para trabalhar com voz. Se a empresa estabilizar rapidamente as gerações longas e manter o equilíbrio preço-qualidade, ela tem boas chances de se estabelecer não apenas na camada de infraestrutura, mas também em produtos de voz criativa, onde serviços TTS especializados dominaram até agora.