Google lanza Gemini 3.8 Flash TTS: voces de IA diseñadas con solo describirlas

Google ha lanzado dos nuevos modelos de voz dentro de su familia Gemini 3.8: Flash TTS y Flash-Lite TTS. La novedad más llamativa es que el primero permite diseñar una voz desde cero describiéndola con texto, sin grabaciones previas, y que ambos aceptan direcciones de actuación línea a línea, como las acotaciones de un guion. También permite replicar una voz a partir de una muestra breve, con salvaguardas de consentimiento. Estos son los datos verificados y los matices que conviene tener en cuenta.

Qué son y para qué sirven

Según Google y The Decoder, Flash TTS está pensado para trabajo creativo, como juegos, audiolibros y podcasts, y Flash-Lite TTS es la opción más barata y de gran volumen, orientada al doblaje y a los agentes de voz. Con Flash TTS se puede crear una voz nueva describiendo su papel, su acento y sus rasgos en lenguaje natural, en más de 100 idiomas y dialectos; los ejemplos de Google incluyen un DJ australiano lleno de energía y un dragón japonés. También hay una biblioteca de más de 2.000 voces ya preparadas, con variedades regionales como el español de México, el francés de Quebec o el inglés de Escocia, y las voces personalizadas pueden guardarse para reutilizarlas. Una función de remezcla, que ajusta timbre, tono, ritmo y acento, llegará próximamente.

Dirección de actuación y diálogos

Ambos modelos permiten escribir instrucciones de entrega para cada línea, como tono, ritmo, susurros, risas o suspiros, o dejar que el modelo interprete las pistas del guión. Flash TTS también puede generar un diálogo de dos voces en una sola llamada. Según la documentación para desarrolladores, el campo de texto se trata estrictamente como transcripción literal, de modo que las indicaciones deben ir en campos aparte y no dentro del texto.

Clonación de voz con consentimiento

El modelo puede crear un perfil de voz a partir de una muestra de audio breve, de unos 30 segundos. Google la condiciona a tener permiso: según su documentación, hace falta una grabación de referencia de la voz y otra en la que la misma persona recita una declaración de consentimiento obligatoria en la que afirma ser dueña de la voz y autoriza su uso para crear un modelo sintético. Es una salvaguarda relevante en un momento en que la clonación de voz alimenta fraudes, y es la línea que ya discutíamos al hablar de la transparencia de las voces de IA. Conviene señalar que ningún sistema de verificación es infalible.

Rendimiento: cifras de Google y una salvedad

Google afirma que Flash TTS ocupó el primer puesto en el Voice Design Benchmark de Hume AI, con 71,4 puntos, y que Flash y Flash-Lite quedaron primero y segundo en su Índice de Calidad General.
En pruebas ciegas de preferencia en Voice Arena, según la compañía, los modelos lograron posiciones destacadas en idiomas como japonés, hindi y español de México.
La salvedad: según Android Authority, ElevenLabs siguió puntuando más alto en las categorías individuales de calidad de voz y de variación humana de la evaluación de Hume.

Son resultados que en su mayor parte proceden de la propia empresa, y los rankings de este tipo cambian rápido.

Precio y disponibilidad

Según The Decoder, con los precios de lanzamiento una hora de audio generado cuesta unos 0,81 dólares con Flash TTS y 0,54 con Flash-Lite TTS hasta finales de 2026. Se ofrecen a través de la API de Gemini y de AI Studio; Flash TTS llegará a Gemini Notebook y Flash-Lite TTS a Google Vids. Google no ha indicado aún los puntos de conexión regionales de los nuevos modelos, un detalle relevante para las empresas europeas que necesiten procesar los datos en la Unión Europea, ya que modelos anteriores sí ofrecían esa opción.

Qué implica en la práctica

Para creadores y desarrolladores: diseñar una voz coherente para un personaje o un producto se vuelve cuestión de escribir una descripción.
Para los actores de voz y estudios: presión de precios, en la línea de lo que vimos con la rebaja de Alibaba en audio con IA.
Para la confianza: voces sintéticas cada vez más realistas refuerzan la necesidad de marcas de origen, un debate parecido al de las marcas de agua de texto de SynthID.

Nuestra lectura

El avance es real: describir una voz y dirigirla como a un actor reduce mucho la barrera de entrada. Pero conviene mirar lo que va con la tecnología: el consentimiento exigido para clonar voces, la transparencia sobre cuándo se escucha una voz sintética y el hecho de que los benchmarks citados son mayormente del propio fabricante. Para quien vaya a usarlas, lo sensato es probarlas con su propio idioma y caso de uso, y comparar con alternativas como ElevenLabs antes de decidir.

Fuentes: anuncio de Google, The Decoder, Android Authority y documentación de replicación de voz.