Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) es el modelo insignia de texto a voz de Google, disponible a través de Gemini Enterprise. Está diseñado para ofrecer una fidelidad de voz con calidad de estudio, actuación expresiva, acentos regionales auténticos y audio estable de formato largo y con varios turnos.
Funciones
- Fidelidad acústica y matices de actuación: Ofrece un amplio rango emocional, una cadencia natural y una adhesión cercana a las indicaciones de
stylea nivel de turnos y a los eventos vocales intercalados, como<laugh>,<sigh>y<short pause>. - Estabilidad de formato largo y varios turnos: Mantiene la identidad, el timbre, el volumen y el tono de la sala de la voz de manera coherente en diálogos largos y narraciones de varios minutos.
- Acentos y pronunciación regionales: Admite acentos regionales y dialectos minoritarios en 130 idiomas.
- Opciones de voz: Funciona con 30 voces prediseñadas, más de 2,000 voces seleccionadas en la Biblioteca de voces extendida, voces que creas con Diseño de voz y voces que replicas con Replicación de voz.
Para obtener información sobre las funciones, muestras de código y orientación sobre instrucciones, consulta Genera voz con Gemini TTS.
Cuándo usar cada modelo de TTS
Ambos modelos de Gemini 3.8 TTS comparten el mismo esquema de solicitud y formato de instrucción. Elige el modelo que se adapte a tu carga de trabajo:
| Función o carga de trabajo | TTS de Gemini 3.8 Flash (gemini-3.8-flash-tts) |
TTS de Gemini 3.8 Flash-Lite (gemini-3.8-flash-lite-tts) |
|---|---|---|
| Principal fortaleza | Fidelidad de la voz, matices de la actuación y cobertura de dialectos | Alta capacidad de procesamiento, baja latencia y rentabilidad |
| Mejores casos de uso | Audiolibros, narración de estudio, diálogos complejos con varios oradores, etiquetas frecuentes de ráfagas vocales, pronunciación difícil, dialectos regionales | Producción de gran volumen, cascadas de agentes de voz en tiempo real, funciones de lectura en voz alta, replicación de voz, voz cotidiana de un solo orador |
| Idiomas compatibles | 130 idiomas | 101 idiomas |
| ID de modelo | gemini-3.8-flash-tts |
|
|---|---|---|
| Modalidades |
|
|
| Límites de tokens | Límite de tokens de entrada | 8,192 |
| Límite de tokens de salida | 16,384 | |
| Funciones |
|
|
| API |
|
|
| Opciones de consumo |
|
|
| Regiones admitidas |
|
|
| Versiones |
|
|
| Lenguajes compatibles | 130 idiomas Consulta Idiomas admitidos. | |
Comenzar
En el siguiente ejemplo, se genera voz de un solo orador y se guarda como un archivo WAV:
Python
from google import genai
client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")
response = client.models.generate_content(
model="gemini-3.8-flash-tts",
contents=[{
"role": "user",
"parts": [{
"text": "Have a wonderful day!",
"speech_metadata": {"style": "cheerful and friendly"},
}],
}],
config={
"response_modalities": ["AUDIO"],
"speech_config": {"voice_config": {"voice": "Kore"}},
},
)
# The SDK has already decoded the base64 audio, so inline_data.data is a
# complete WAV file by default.
with open("out.wav", "wb") as f:
f.write(response.candidates[0].content.parts[0].inline_data.data)
REST
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
-d '{
"contents": [{
"role": "user",
"parts": [{
"text": "Have a wonderful day!",
"speechMetadata": {"style": "cheerful and friendly"}
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"voiceConfig": {"voice": "Kore"}
}
}
}' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.wav
Si usas un modelo de Gemini TTS anterior, consulta la guía de migración.