Google lanzó oficialmente una nueva generación de modelos de generación de voz por inteligencia artificial, que incluye «Gemini 3.8 Flash TTS» y «Flash Lite», describiéndolos como sus herramientas de voz más capaces de expresar y transmitir emociones hasta la fecha, con capacidades de creación de voces originales mediante comandos de texto en más de 100 idiomas y dialectos globales.
Índice del artículo:
- Lanzamiento de los modelos Flash y Flash Lite a través de interfaces de programación
- Creación de voces personalizadas y expansión a 2 000 opciones predefinidas
- Función de clonación de tono de voz, controles de consentimiento y protección de la privacidad
- Dirección dramática, efectos no verbales y escenas de pódcast
- Liderazgo en pruebas de rendimiento internacionales e indicadores de calidad global
- Plataformas y socios certificados, y doblaje de contenido digital
- Preguntas frecuentes
Lanzamiento de los modelos Flash y Flash Lite a través de interfaces de programación
Google anunció el miércoles el lanzamiento de dos modelos avanzados para convertir texto escrito en voz sumamente natural: «Gemini 3.8 Flash TTS» y «Gemini 3.8 Flash Lite TTS», describiendo la nueva tecnología como el salto más importante y expresivo en la historia de las herramientas de generación de voz desarrolladas por la empresa.
El despliegue inmediato de ambos modelos comenzó a través de las API de Gemini y la plataforma «Google AI Studio»; el modelo Flash fue diseñado para ofrecer capacidades de dirección técnica y dramática profunda a los creadores, mientras que el modelo Flash Lite se destinó a aplicaciones comerciales a gran escala que requieren procesar volúmenes masivos de texto con tiempos de respuesta récord y un bajo coste financiero.
Creación de voces personalizadas y expansión a 2 000 opciones predefinidas
El nuevo ecosistema permite a desarrolladores y creadores de contenido generar voces humanas originales y únicas desde cero mediante comandos de texto en lenguaje natural, donde el usuario especifica el rol dramático, el dialecto requerido y características vocales específicas como una voz áspera, calidez emocional o solemnidad periodística.
Esta función es compatible con más de 100 idiomas y dialectos locales de todo el mundo; Google amplió su biblioteca de voz oficial disponible para empresas de 30 voces iniciales a más de 2 000 opciones de voz profesionales listas para producción inmediata, abarcando variaciones geográficas y culturales precisas como el español mexicano, el francés canadiense y el inglés escocés.
Función de clonación de tono de voz, controles de consentimiento y protección de la privacidad
Google dotó al modelo de una impresionante característica de ingeniería que permite clonar y reconstruir la huella vocal de cualquier hablante con una precisión asombrosa basándose en una muestra de audio registrada de apenas 30 segundos, siempre y cuando el usuario posea los derechos legales sobre dicha huella vocal.
La compañía impuso estrictas restricciones de seguridad: el sistema requiere la presentación de una grabación de audio explícita con el consentimiento verbal del propietario de la voz original, y todos los fragmentos generados integran marcas de agua digitales inaudibles mediante la tecnología «SynthID» y certificados de autenticación cifrados «C2PA», a la vez que se prohíbe la activación de la función en los estados norteamericanos de Illinois y Texas, los países de la Unión Europea, el Reino Unido, Suiza e India para cumplir estrictamente con las leyes de protección de datos biométricos.
Dirección dramática, efectos no verbales y escenas de pódcast
Ambos modelos admiten dirección de locución línea por línea, lo que permite ajustar el tono y la velocidad de cada frase individualmente y generar textos extensos que abarcan horas continuas de transmisión de audio sin alterar el ritmo de la elocución, en paralelo con una función de escenas de diálogo originales entre dos personas que permite grabar episodios de pódcast y obras dramáticas con un intercambio conversacional fluido y preciso.
Asimismo, es posible insertar efectos vitales no verbales dentro de los textos de diálogo escritos, incluyendo risas automáticas, suspiros, patrones de respiración y muestras de escucha interactiva mientras habla la otra parte, otorgando a las voces generadas un carácter humano vivo que rompe con la monotonía mecánica habitual.
Liderazgo en pruebas de rendimiento internacionales e indicadores de calidad global
La nueva tecnología cosechó elogios excepcionales en evaluaciones comparativas globales independientes; el modelo «Gemini 3.8 Flash TTS» se alzó con el primer puesto mundial en la prueba de diseño de voz de la organización «Humane AI» al alcanzar 71.4 puntos, y lideró la prueba de simulación de dialectos con 60.8 puntos.
Ambos modelos ocuparon el primero y segundo lugar en el índice general de calidad de audio digital, y arrasaron en las encuestas ciegas de preferencia humana realizadas a través de la plataforma «Voice Arena», obteniendo las valoraciones más altas en calidad de pronunciación natural y armonía rítmica en idiomas de gran complejidad fonética como el japonés, el portugués brasileño, el vietnamita y el hindi.
Plataformas y socios certificados, y doblaje de contenido digital
Las principales plataformas de desarrollo de software en la nube como «Agora», «LiveKit» y «Vercel» comenzaron a integrar los modelos de voz de Gemini a través de interfaces de programación, mientras que empresas globales líderes como Figma, HeyGen y Wondercraft se apresuraron a incorporar los modelos en sus softwares para ofrecer servicios de doblaje instantáneo, traducción multimedia y agentes multilingües de atención al cliente.
Google confirmó que el acceso empresarial dedicado para grandes corporaciones a través del paquete «Gemini Enterprise» estará disponible próximamente, en un paso que sienta las bases para una transformación integral en la industria del contenido radiofónico, la publicidad y el desarrollo de asistentes inteligentes personales en automóviles y teléfonos móviles.
Preguntas frecuentes
Pregunta: ¿Cuáles son los dos nuevos modelos lanzados por Google para la generación de voz?
Respuesta: Gemini 3.8 Flash TTS para dirección creativa avanzada y Flash Lite para aplicaciones intensivas de bajo coste.
Pregunta: ¿Cuántos idiomas y opciones de voz admite la nueva biblioteca de Google?
Respuesta: Los modelos admiten más de 100 idiomas y dialectos, y su biblioteca oficial incluye más de 2 000 voces profesionales listas para producción.
Pregunta: ¿Cuál es la duración de audio requerida para clonar con precisión el tono de un hablante?
Respuesta: El sistema requiere una muestra de audio registrada de solo 30 segundos junto con la presentación de un consentimiento verbal explícito para garantizar la seguridad.
