En un paso que refleja el rápido desarrollo en el mundo de la inteligencia artificial generativa, Google anunció el miércoles el lanzamiento del modelo «Gemini 3.1 Flash» diseñado para la conversión de texto a voz, el cual la compañía describe como el modelo más expresivo y con mayores opciones de control hasta la fecha.
Este lanzamiento subraya el compromiso de la empresa de proporcionar herramientas avanzadas para desarrolladores y creadores de contenido. El nuevo modelo ya está disponible en su versión beta a través de la API de Gemini, además de Google AI Studio, Vertex AI y la aplicación Google Feeds destinada a los usuarios de Google Workspace.
Control preciso y avanzado gracias a las etiquetas de audio
Una de las características más destacadas que ofrece el nuevo modelo es la posibilidad de un control preciso sobre la salida de audio. Proporciona más de 200 etiquetas de audio que los desarrolladores pueden integrar directamente en las entradas de texto. Estas etiquetas permiten dirigir el estilo vocal, la velocidad de habla, el acento y las expresiones emocionales con un nivel de precisión sin precedentes.
Estas etiquetas varían para incluir emociones complejas como «determinación» y «curiosidad», llegando incluso a dirigir la forma de entrega mediante la adición de efectos naturales como «susurros» y «risas». Google denomina a esta capacidad el «enfoque compositivo» en la generación de audio, donde el usuario puede delinear el perfil del personaje de voz como un director de escena que guía a sus actores, abriendo amplios horizontes para la creación de contenido de audio rico y realista que va más allá de la simple lectura mecánica de textos.
Multilingüismo y compatibilidad con conversaciones complejas
En cuanto a la diversidad lingüística, «Gemini 3.1 Flash» está diseñado para ser una herramienta global por excelencia, ya que admite más de 70 idiomas diferentes, incluidos idiomas de gran difusión como el hindi, el japonés y el alemán, entre otros que atienden a una base de usuarios global masiva. Para facilitar el inicio, el modelo ofrece 30 voces preconstruidas que los desarrolladores pueden utilizar como puntos de partida para desarrollar sus propias voces personalizadas.
Además, el modelo destaca por su capacidad para gestionar de forma nativa e integrada diálogos que involucran a múltiples hablantes. Esta característica revolucionaria significa mantener el flujo natural de las conversaciones sin necesidad de realizar llamadas separadas a la API para cada voz individual. Esta función está dirigida especialmente a creadores de podcasts, guionistas dramáticos y desarrolladores de interfaces de asistentes de voz inteligentes, ya que contribuye a reducir la complejidad de la programación y acelerar notablemente el proceso de producción.
Rendimiento superior y liderazgo en clasificaciones globales
Los logros del nuevo modelo no se limitaron a las características técnicas, sino que demostró su valía en pruebas de rendimiento independientes. Según lo anunciado por Google AI Studio, el modelo alcanzó una puntuación de 1211 puntos en la tabla de clasificación de la prueba comparativa especializada en tecnologías de texto a voz.
La plataforma de análisis artificial indicó que el modelo «Gemini 3.1 Flash» ocupó el segundo lugar en la tabla de clasificación de su arena de audio, superando al modelo de tercera versión de la reconocida empresa ElevenLabs, lo cual es una prueba clara de la calidad del audio proporcionado por Google y su capacidad para competir con fuerza en este mercado de rápido crecimiento.
Fiabilidad del contenido mediante la tecnología de marcas de agua
Ante la creciente preocupación por el uso indebido de las tecnologías de inteligencia artificial y la generación de contenido falso, Google ha prestado gran atención al aspecto de la seguridad y la fiabilidad. Se incrusta una marca de agua digital en todos los clips de audio generados por el modelo utilizando la tecnología «SynthID». Esta innovadora tecnología de Google actúa como una huella dactilar invisible o inaudible para los humanos, diseñada específicamente para identificar contenido generado por IA con el fin de ayudar a prevenir la propagación de información errónea.
La compañía enfatiza que la inclusión de esta marca de agua se realiza de manera profesional y altamente técnica para que no degrade en absoluto la calidad del audio, garantizando que los usuarios obtengan la calidad de sonido más pura posible al tiempo que se mantienen los estándares de seguridad y transparencia.
Detalles de acceso técnico y límites de uso
Para los desarrolladores y empresas que deseen explorar las capacidades del nuevo modelo, se puede acceder a él a través del identificador de programación dedicado a la versión beta mediante la API de Gemini. El modelo viene con un límite máximo de tokens de entrada de 8,192 tokens, mientras que el límite de tokens de salida alcanza los 16,384 tokens, lo que proporciona un amplio espacio para gestionar textos largos y complejos en una sola sesión.
Este importante lanzamiento se produce poco después de que Google introdujera otro modelo el 25 de marzo, Gemini 3.1 Flash Live, construido específicamente para aplicaciones de inteligencia artificial basadas en audio en vivo que requieren procesamiento de diálogos en tiempo real. Esto completa el ecosistema de audio de Google para ofrecer soluciones integradas que satisfacen todas las necesidades del mercado tecnológico contemporáneo.
Preguntas frecuentes
¿Cuál es el nuevo modelo lanzado por Google para la conversión de texto a voz?
Google ha lanzado «Gemini 3.1 Flash», un sistema avanzado de texto a voz que cuenta con una capacidad expresiva superior y permite a los desarrolladores controlar el rendimiento del audio a través de más de 200 etiquetas de audio especializadas.
¿Cuántos idiomas admite el modelo?
El modelo admite más de 70 idiomas globales, como el hindi, el japonés y el alemán, e incluye 30 voces preconstruidas listas para su uso inmediato por parte de los creadores de contenido.
¿Cómo aborda Google las preocupaciones sobre la desinformación en este modelo?
Google ha integrado la tecnología «SynthID» en el modelo, que es una marca de agua imperceptible incorporada en el clip de audio para reconocer el contenido generado por IA sin afectar la calidad ni la pureza del sonido.
¿Cuáles son los límites de uso disponibles para los desarrolladores en el modelo?
El modelo ofrece una gran capacidad de datos, con un límite máximo de tokens de entrada de 8,192 tokens, mientras que el límite máximo de tokens de salida alcanza los 16,384 tokens, lo que mejora su eficiencia en el procesamiento de diálogos largos.
