Al elegir un sintetizador de voz en la nube —TTS (Text-to-Speech)— para un video o podcast, al principio casi todos se pierden. Abres el escaparate de locutores con etiquetas como «Masculino entusiasta» y «Femenino suave», y ya al décimo ejemplo las voces se funden en una entonación monótona de contestador automático a la que ni con comas le sacas una interpretación viva.
También añade confusión la línea de Google: el 23 de septiembre de 2026 la compañía lanzó por separado del modelo base la familia de voz Gemini 3.8 Flash TTS en AI Studio, Gemini API y Gemini Notebook. Contrasté la especificación oficial de Google con el análisis de Julian Goldie para entender en qué se diferencia este motor de las bases de voces pregrabadas y cómo crear un timbre con una frase o clonar una voz legalmente sin sorpresas en la API.
Casting en lugar de escaparate: timbre desde texto y dirección de escenas
La diferencia frente al enfoque anterior es como entre una tienda con maniquíes y un casting en un set de rodaje. Aunque la propia Google amplió su catálogo a más de 2,000 voces en más de 130 idiomas y dialectos, los presets te encierran en moldes ajenos. El modo Voice Design funciona en formato zero-shot (desde cero, sin grabaciones de entrenamiento): describes con palabras género, edad, tono y acento del personaje, separando ese retrato fijo de la emoción de la toma —por ejemplo, un susurro inquieto— en la línea de estilo (style). No se debe meter la edad dentro del estilo —sería como pedirle al actor que envejezca a mitad de la frase—, pero directamente en el texto funcionan las acotaciones <short pause>, <sigh>, <laugh> y el énfasis en MAYÚSCULAS.
Supongamos que grabas un minidocumental sobre astrofísica y buscas el barítono tranquilo de un profesor de mediana edad con acento británico sin alquilar un estudio. En el paquete google-genai (2.25.0+, Python 3.10+), según la documentación de Gemini Speech API, el perfil se crea con el método client.voices.create():
import base64, os
from google import genai
client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))
created_voice = client.voices.create(
store=True,
voice={
"model": "gemini-3.8-flash-tts",
"type": "prompted",
"display_name": "Astrophysics Professor",
"gender": "male",
"language_code": "en-US",
"prompted": {
"input": "A calm, articulate middle-aged male voice with a refined British accent, calm pacing, deep resonant baritone, and an engaging, scholarly tone."
},
},
)
if created_voice.sample_audio and created_voice.sample_audio.data:
with open("professor_preview.wav", "wb") as f:
f.write(base64.b64decode(created_voice.sample_audio.data))
La API guarda al instante una vista previa de cinco segundos en professor_preview.wav y fija el identificador created_voice.id. Después, el guion con etiquetas de pausas y suspiros se envía a client.models.generate_content() (response_modalities=["AUDIO"], SpeechConfig), devolviendo un archivo WAV limpio (mono, 24 kHz, 16 bits): el timbre del profesor no «flota» a lo largo de toda la película de quince minutos. Y para bots en streaming o doblaje, al lado está gemini-3.8-flash-lite-tts con respuesta por debajo de 500 ms.
Clon de medio minuto, marcas SynthID y límites estrictos de la API
Locutar un episodio con tu propia voz sin pasar la tarde frente al micrófono es posible gracias a Voice Replication: al modelo le bastan exactamente 30 segundos de habla limpia. Una entrevista ajena no pasa: el titular debe dictar en vivo una frase de consentimiento verbal para verificar el timbre, y cada clip recibe una marca de agua inaudible SynthID y metadatos C2PA. Como los reproductores habituales no muestran advertencias al oyente por sí solos, conviene señalizar la locución con IA manualmente, teniendo en cuenta tres restricciones estrictas:
- Geografía: por leyes de biometría, la clonación en AI Studio está bloqueada en el Espacio Económico Europeo (EEA), Reino Unido, Suiza, India, Illinois y Texas —allí queda disponible el Voice Design por texto.
- Diálogos: en una sola llamada a
multi_speaker_voice_configse admiten como máximo 2 hablantes y solo voces integradas (Kore,Puck). Las escenas con personajes propios o clonados se generan línea por línea y se unen aparte. - Cuotas y modo: un proyecto almacena hasta
200voces y elimina el perfil tras un año de inactividad. El motor opera estrictamente bajo el esquema «texto a audio» —para una conversación en vivo con interrupciones hace falta Gemini 3.8 Live de extremo a extremo.
El casting por texto libera a los creadores de bases de locutores acartonadas y del alquiler de estudios. Y no te preocupes si el primer prompt no da en el blanco: abre el sandbox de audio en Google AI Studio, empieza con un par de frases simples sobre el carácter del personaje sin línea de estilo, escucha la muestra y ajusta un detalle a la vez —ritmo, suavidad o acento— hasta que la voz suene como debe.


