La nueva súper IA de Google para voz

O Géminis 3.1 Flash TTS Es el modelo de texto a voz con IA más expresivo que Google haya lanzado jamás y está disponible de forma gratuita para cualquiera que utilice Google AI Studio.

Más que convertir texto a audio, te permite controlar cómo habla tu voz: con emoción, ritmo, entonación e incluso acento regional.

Todo esto a través de simples comandos de texto, sin necesidad de grabación humana o edición de audio profesional.

¿Qué diferencia a Gemini 3.1 Flash TTS de los modelos anteriores?

La generación de voz basada en IA ha evolucionado mucho en los últimos años.

Sin embargo, la mayoría de los modelos todavía ofrecen audio genérico, sin personalidad y con tono mecánico.

Gemini 3.1 Flash TTS resuelve este problema con una función llamada etiquetas de audio — más de 200 etiquetas de audio insertadas directamente en el texto que instruyen al modelo sobre cómo debe sonar cada parte de la narrativa.

Básicamente, puedes indicar que un personaje debe hablar “susurrando”, “con urgencia”, “gritando” o “con cautela”, y el modelo interpreta estas instrucciones y las aplica a la generación.

Además, es posible alternar entre diferentes interlocutores dentro de un mismo diálogo, cada uno con su propio perfil de voz.

Este nivel de control, hasta hace poco, requería un estudio de grabación, un locutor profesional y horas de edición.

Ahora obtenga el mismo resultado con un mensaje bien estructurado.

Rendimiento de referencia: dónde se encuentra Gemini 3.1 Flash TTS

En el ranking TTS de Análisis Artificial, un benchmark que captura miles de referencias humanas para evaluar la calidad de la síntesis de voz, Gemini 3.1 Flash TTS logró una puntuación de 1.211 puntos.

Este resultado sitúa al modelo en la segunda posición general, sólo por detrás del Winword TTS 1.5 Max.

Además, Artificial Analysis ha posicionado a Gemini 3.1 Flash TTS en su “cuadrante más atractivo”, gracias a la combinación ideal de alta calidad de síntesis y coste competitivo.

A efectos comparativos, el modelo anterior de la familia Gemini estaba muy por debajo de este nivel.

La ganancia en naturalidad y expresividad es evidente tanto en benchmarks como en pruebas prácticas con usuarios reales.

Además, el modelo 3.1 Flash TTS admite más de 70 idiomasincluido el portugués brasileño, con capacidad de adaptar acento y ritmo según el contexto.

Seguridad e identificación de contenidos generados por inteligencia artificial: SynthID

Un aspecto importante de Gemini 3.1 Flash TTS que va más allá de la calidad del sonido es la protección contra la desinformación.

Todo el audio generado por el modelo se etiqueta automáticamente con la tecnología. SynthIDdesarrollado por Google DeepMind.

Se trata de una marca de agua imperceptible para el oído humano, integrada directamente en el archivo de audio.

Le permite identificar de manera confiable si el contenido fue generado por IA, incluso después de una edición y compresión comunes.

Por lo tanto, al utilizar Gemini 3.1 Flash TTS en producciones profesionales, el audio generado ya lleva esta identificación de fuente por defecto.

Cómo utilizar Gemini 3.1 Flash TTS gratis en Google AI Studio

El acceso a Gemini 3.1 Flash TTS está disponible directamente desde Estudio de IA de GoogleGratis para uso personal y pruebas.

Dentro de la plataforma accede a la opción Discurso y música sin parque infantil.

Entre los modelos listados encontrarás el Vista previa de Gemini 3.1 Flash TTSIdentificado como nuevo y sin marca de modelo pagado.

A partir de ahí, tienes dos opciones de uso principales:

• La primera es explotar la plantillas listas para usar para inspirarse en la creación de diálogos.
• La segunda es empezar desde cero haciendo clic Transformarse en lenguaje naturaldonde describe la escena, define el contexto e inserta las líneas de cada orador con las etiquetas deseadas.

Un consejo importante: al final de la generación, descargar el archivo de audio inmediatamente.

Playground no guarda sesiones automáticamente.

Cuando cierras tu navegador o pestaña, todo tu trabajo se pierde.

Cómo estructurar una escena para obtener el mejor resultado

Gemini 3.1 Flash TTS funciona mejor cuando se proporciona un contexto claro.

Al crear una voz en off, describe el paisaje sonoro de la escena, como “un bosque oscuro con agua goteando de fondo”.

Luego define el estilo: ritmo rítmico, tono tenso, aceleración gradual hasta llegar a la urgencia.

Finalmente, inserte las líneas con las etiquetas de audio correspondientes.

Otro punto relevante es especificar el idioma deseado en el campo contextual.

Incluso con voces multilingües, el modelo puede generar audio con acento extranjero si no se le solicita explícitamente que lo haga.

Agregar “idioma: portugués brasileño” al contexto resuelve el problema y garantiza una narración natural desde la generación 1.

Para diálogos con múltiples personajes, configúrelos individualmente en el archivo Configuración de los altavoces.

El modelo ofrece varias opciones vocales, todas multilingües y con diferentes características tímbricas y de entonación.

La combinación de control granular, soporte multilingüe y acceso gratuito abre una gran cantidad de aplicaciones del mundo real para Gemini 3.1 Flash TTS.

Mira los principales:

Creadores de contenido Puede generar narraciones para videos, podcasts y reels de YouTube sin depender de locutores profesionales. El modelo proporciona suficiente audio natural para uso en producción.

Desarrolladores de aplicaciones puede integrar el modelo a través de API para agregar síntesis de voz expresiva en productos digitales. El costo oficial de la API es $1.00 por millón de tokens de texto al ingresar Y $20.00 por millón de tokens de audio en el momento del lanzamiento – duplica el precio del modelo anterior Gemini 2.5 Flash TTS, que costaba $0,50 y $10,00 respectivamente. Por lo tanto, para proyectos con un gran volumen de solicitudes, vale la pena evaluar cuidadosamente el costo antes de escalar.

Educadores y creadores de cursos. Pueden producir audio educativo con variaciones de ritmo y tono, haciendo que el contenido sea más atractivo sin tener que volver a grabarlo.

Profesionales de la automatización Puede utilizar el modelo para crear respuestas de voz en flujos automatizados, integrando la síntesis de audio directamente en los canales de productividad.

Además del uso directo en Playground, Google AI Studio permite crear aplicaciones completas con Gemini 3.1 Flash TTS a través de la tarjeta Construir.

Seleccione la plantilla deseada, active la opción de texto a voz y describa la aplicación que desea crear.

Con un único mensaje bien estructurado, es posible generar una aplicación funcional con selector de idiomas, etiquetas de voz características – como feliz, enojado, tranquilo, confiado o susurrado -, control de velocidad de reproducción y, en el caso del portugués brasileño, variación de acento regional: carioca, mineiro, paulistano, caipira, nororiental y gaúcho.

Preste atención al punto más importante para cualquiera que esté pensando en publicar: las aplicaciones creadas en Google AI Studio para uso personal no generan costes.

Sin embargo, cuando pones la aplicación a disposición de otros usuarios, necesitas configurar una clave API paga, ya que el consumo ahora se contabiliza para uso externo.

Texto a voz con IA: lo que significa Gemini 3.1 Flash TTS para el mercado

El lanzamiento de Gemini 3.1 Flash TTS consolida una clara tendencia en síntesis de voz con inteligencia artificial: El control creativo se traslada del estudio al aviso.

Las herramientas que alguna vez requirieron equipo, técnicos y horas de postproducción ahora son accesibles para cualquier persona con acceso a un navegador.

Además de esto, el hecho de que el modelo esté disponible de forma gratuita en Google AI Studio elimina la barrera financiera a la experimentación.

Desarrolladores, creadores y profesionales de diferentes áreas pueden probar, iterar y validar ideas sin costos iniciales.

Gemini 3.1 Flash TTS está en versión preliminar para desarrolladores, disponible a través de Google API y Google AI Studio.

Para las empresas, también está disponible en versión preliminar en Vertex AI.

Para los usuarios de Google Workspace, el acceso se realiza a través de Google Vids.

Si trabaja con la producción de contenidos, el desarrollo de productos digitales o la automatización de procesos que implican comunicación por voz, vale la pena probar el modelo ahora, mientras el acceso sigue siendo gratuito y sin restricciones para uso personal.