Al locutar videos y pódcasts, las opciones suelen ser incómodas. O pagas varios servicios a la vez (uno para narración, otro para doblaje y otro para clonación), o apuestas todo a una startup pequeña. En qué termina eso lo demostró PlayHT: en julio de 2025 Meta compró al equipo y el 31 de diciembre de 2025 cerró el servicio junto con las cuentas y las voces guardadas.
En ese escenario destaca el sandbox gratuito de Google AI Studio. El 23 de septiembre de 2026, Google incorporó allí los modelos de voz Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS. No hace falta escribir código: entras con tu cuenta de Google, pegas el texto y obtienes audio con suspiros, risas y conversación entre dos personas.
Cómo funcionan Flash TTS y Flash-Lite TTS
TTS (Text-to-Speech) es la síntesis de voz a partir de texto: escribes las líneas y el modelo las interpreta. En Gemini 3.8 repartieron el trabajo entre dos motores. Gemini 3.8 Flash TTS se encarga de la expresividad: videos de YouTube, personajes y audiolibros donde importa que el timbre no se degrade en tramos largos. Gemini 3.8 Flash-Lite TTS es más ligero y veloz, pensado para doblaje masivo y agentes de voz en tiempo real.
En el navegador todo es directo: a la derecha eliges el modelo y en el centro armas bloques de voz con locutor y estilo. Tienes 30 voces de estudio a mano (Corey, Puck, Zephyr y otras), y en el catálogo completo hay acentos regionales como español mexicano, francés quebequense e inglés escocés.
¿Necesitas un locutor único? Describes el rol, el acento y el carácter en texto normal y el modelo crea una voz nueva. Cada proyecto permite guardar hasta 200 voces personalizadas: duran un año y el contador se reinicia al usarlas. También incluye replicación de voz real a partir de un audio de 30 segundos, mientras que Voice Remixing (ajuste fino de tono y ritmo) aparece marcado como «próximamente».
Comparativa de calidad de síntesis de voz de Gemini 3.8 Flash TTS en el benchmark Hume AI (Fuente: blog.google)
Google afirma que Flash TTS lidera el benchmark de Hume AI en diseño de voz. Son cifras atractivas, pero provienen de un informe propio de la compañía: conviene evaluar el resultado de oído con tu propio guion.
Etiquetas de emoción, minipódcast y comparativa con ElevenLabs
La gran baza de Flash TTS es la dirección línea por línea. Puedes fijar emoción y ritmo para cada frase, usar MAYÚSCULAS para reforzar el énfasis y signos de puntuación para marcar pausas o vacilaciones. Dentro del texto se insertan etiquetas de emoción y reacción: <sigh>, <laugh>, <short pause> generan un suspiro, una risa o una pausa, y las barras verticales (|oh really|, |mm-hmm|) introducen interrupciones breves del interlocutor. Las etiquetas deben escribirse siempre en inglés, aunque el guion esté en español.
En el modo multilocutor (conversational), dos voces interpretan un diálogo en un mismo clip. En una prueba en vivo combinaron la voz aguda y cálida de Vader (con <sigh> y <short pause>) y la voz grave de Rami (estilo amazed, <gasp>, <chuckles>, interrupción y el interruptor de muletillas filler words). El botón Download entrega un 24 kHz mono WAV limpio listo para edición, y Get code genera el código listo para Gemini API.
| Herramienta | Inicio | Catálogo de voces | Idiomas | Diferencial principal |
|---|---|---|---|---|
Google AI Studio (Flash TTS) | Gratis | 2,000+ | 100+ | Dirección por línea, etiquetas, 2 locutores |
ElevenLabs (Eleven v4) | De pago | 17,500+ | 90+ | Estudio de doblaje, etiquetas [laughs] / [sighs] |
| Murf AI | De pago | 200+ | 35+ | Locución de presentaciones y doblaje simple |
Lovo (Genny) | De pago | 500+ | ~100 | Editor de video integrado con línea de tiempo |
AI Studio gana en control de entonación y arranque gratuito, pero sigue siendo un sandbox sin línea de tiempo. Cuando necesitas un estudio completo de doblaje y una base gigante de voces en una sola ventana, ElevenLabs sigue siendo más cómodo.
Cuatro límites del plan gratuito
Antes de mudarte a AI Studio conviene revisar cuatro condiciones estrictas. Primero, límites de uso y privacidad: en el nivel gratuito, Google puede utilizar los textos enviados para mejorar sus productos. No subas guiones bajo NDA, borradores de clientes ni datos personales.
Segundo, el techo del modo multilocutor. Por petición solo entran dos voces como máximo, y no se pueden mezclar voces personalizadas entre sí dentro del mismo diálogo. Una escena de tres personajes habrá que montarla por partes en un editor de audio.
Tercero, la marca de agua invisible SynthID: Google incrusta automáticamente esta señal acústica en cada archivo WAV. Cuarto, reglas estrictas de clonación: replicar una voz con 30 segundos exige consentimiento grabado del titular y está bloqueado en AI Studio para Reino Unido, el Espacio Económico Europeo, Suiza, India, Illinois y Texas.
Para locutar YouTube, minipódcasts a dos voces y hacer pruebas antes de pagar una suscripción, el AI Studio gratuito sobra. En cambio, para proyectos confidenciales de clientes, doblaje a gran escala o escenas de tres o más voces en una sola toma, es más seguro quedarse en ElevenLabs o pasar a la Gemini API de pago.


