Esta página se ha traducido con Cloud Translation API.

Gemini TTS

Gemini-TTS es la última evolución de nuestra tecnología de conversión de texto a voz, que va más allá de la naturalidad para ofrecer un control granular sobre el audio generado mediante peticiones basadas en texto. Con Gemini-TTS, puedes sintetizar la voz de uno o varios hablantes a partir de fragmentos cortos o narraciones completas, dictando con precisión el estilo, el acento, el ritmo, el tono e incluso la expresión emocional, todo ello mediante peticiones en lenguaje natural.

Para explorar este modelo en la consola, consulta la tarjeta del modelo Gemini-TTS en Model Garden (a la que se puede acceder mediante la pestaña Media Studio).

Probar Gemini TTS en Vertex AI (Vertex AI Studio)

Las funciones de Gemini TTS son compatibles con lo siguiente:

gemini-2.5-flash-tts: Gemini 2.5 Flash TTS es una buena opción para aplicaciones de TTS cotidianas y rentables.
gemini-2.5-pro-tts: Gemini 2.5 Pro TTS es un modelo adecuado para generar voz de forma controlada (TTS) y para obtener una calidad de vanguardia en peticiones complejas.

Modelo	Optimizado para	Modalidad de entrada	Modalidad de salida	Un interlocutor	Varios interlocutores
Gemini 2.5 Flash TTS	Generación de audio de conversión de texto a voz con baja latencia, controlable y para uno o varios interlocutores para aplicaciones cotidianas rentables	Texto	Audio	✔️	✔️
Gemini 2.5 Pro TTS	Alto control para flujos de trabajo estructurados, como la generación de pódcasts, audiolibros o asistencia al cliente, entre otros	Texto	Audio	✔️	✔️

Entre los controles y las funciones adicionales se incluyen los siguientes:

Conversación natural: las interacciones de voz de una calidad extraordinaria, una expresividad más adecuada y una prosodia (patrones de ritmo) se ofrecen con una latencia muy baja para que puedas conversar con fluidez.
Control del estilo: mediante peticiones de lenguaje natural, puedes adaptar la conversación para que adopte acentos específicos y produzca una variedad de tonos y expresiones, incluido un susurro.
Rendimiento dinámico: estos modelos pueden dar vida al texto para ofrecer lecturas expresivas de poesía, noticias y narraciones atractivas. También pueden actuar con emociones concretas y producir acentos cuando se les pide.
Control mejorado del ritmo y la pronunciación: controlar la velocidad de la lectura ayuda a mejorar la precisión de la pronunciación, incluidas palabras concretas.

Ejemplos

model: "gemini-2.5-pro-tts"
prompt: "You are having a casual conversation with a friend. Say the following in a friendly and amused way."
text: "hahah I did NOT expect that. Can you believe it!."
speaker: "Callirhoe"

model: "gemini-2.5-flash-tts"
prompt: "Say the following in a curious way"
text: "OK, so... tell me about this [uhm] AI thing.",
speaker: "Orus"

model: "gemini-2.5-flash-tts"
prompt: "Say the following"
text: "[extremely fast] Availability and terms may vary. Check our website or your local store for complete details and restrictions."
speaker: "Kore"

Para obtener información sobre cómo usar estas voces mediante programación, consulta la sección Gemini-TTS.

Opciones de voz

Gemini TTS ofrece una amplia gama de opciones de voz similares a las voces en HD de Chirp 3, cada una con características distintas:

Nombre	Sexo	Demostración
Achernar	Mujeres
Achird	Hombres
Algenib	Hombres
Algieba	Hombres
Alnilam	Hombres
Aoede	Mujeres
Autónoe	Mujeres
Callirrhoe	Mujeres
Charon	Hombres
Despina	Mujeres
Encélado	Hombres
Erinome	Mujeres
Fenrir	Hombres
Gacrux	Mujeres
Jápeto	Hombres
Kore	Mujeres
Laomedeia	Mujeres
Leda	Mujeres
Orus	Hombres
Pulcherrima	Mujeres
Puck	Hombres
Rasalgethi	Hombres
Sadachbia	Hombres
Sadaltager	Hombres
Schedar	Hombres
Sulafat	Mujeres
Umbriel	Hombres
Vindemiatrix	Mujeres
Zephyr	Mujeres
Zubenelgenubi	Hombres

Idiomas disponibles

Gemini TTS admite los siguientes idiomas:

Idioma	Código BCP-47	Preparación para el lanzamiento
Árabe (Egipto)	ar-EG	GA
Neerlandés (Países Bajos)	nl-NL	GA
Inglés (India)	en-IN	GA
Inglés (EE. UU.)	en-US	GA
Francés (Francia)	fr-FR	GA
Alemán (Alemania)	de-DE	GA
Hindi (India)	hi-IN	GA
Indonesio (Indonesia)	id-ID	GA
Italiano (Italia)	it-IT	GA
Japonés (Japón)	ja-JP	GA
Coreano (Corea del Sur)	ko-KR	GA
Maratí (India)	mr-IN	GA
Polaco (Polonia)	pl-PL	GA
Portugués (Brasil)	pt-BR	GA
Rumano (Rumanía)	ro-RO	GA
Ruso (Rusia)	ru-RU	GA
Español (España)	es-ES	GA
Tamil (India)	ta-IN	GA
Telugu (India)	te-IN	GA
Tailandés (Tailandia)	th-TH	GA
Turco (Turquía)	tr-TR	GA
Ucraniano (Ucrania)	uk-UA	GA
Vietnamita (Vietnam)	vi-VN	GA
Afrikáans (Sudáfrica)	af-ZA	Vista previa
Albanés (Albania)	sq-AL	Vista previa
Amárico (Etiopía)	am-ET	Vista previa
Árabe (Mundo)	ar-001	Vista previa
Armenio (Armenia)	hy-AM	Vista previa
Azerbaiyano (Azerbaiyán)	az-AZ	Vista previa
Bengalí (Bangladesh)	bn-bd	Vista previa
Euskera (España)	eu-ES	Vista previa
Bielorruso (Bielorrusia)	be-BY	Vista previa
Búlgaro (Bulgaria)	bg-BG	Vista previa
Birmano (Myanmar)	my-MM	Vista previa
Catalán (España)	ca-ES	Vista previa
Cebuano (Filipinas)	ceb-PH	Vista previa
Chino mandarín (China)	cmn-cn	Vista previa
Chino mandarín (Taiwán)	cmn-tw	Vista previa
Croata (Croacia)	hr-HR	Vista previa
Checo (República Checa)	cs-CZ	Vista previa
Danés (Dinamarca)	da-DK	Vista previa
Inglés (Australia)	en-AU	Vista previa
Inglés (Reino Unido)	en-GB	Vista previa
Estonio (Estonia)	et-EE	Vista previa
Filipino (Filipinas)	fil-PH	Vista previa
Finés (Finlandia)	fi-FI	Vista previa
Francés (Canadá)	fr-CA	Vista previa
Gallego (España)	gl-ES	Vista previa
Georgiano (Georgia)	ka-GE	Vista previa
Griego (Grecia)	el-GR	Vista previa
Guyaratí (India)	gu-IN	Vista previa
Criollo haitiano (Haití)	ht-HT	Vista previa
Hebreo (Israel)	he-IL	Vista previa
Húngaro (Hungría)	hu-HU	Vista previa
Islandés (Islandia)	is-IS	Vista previa
Javanés (Java)	jv-JV	Vista previa
Canarés (India)	kn-IN	Vista previa
Konkani (India)	kok-in	Vista previa
Lao (Laos)	lo-LA	Vista previa
Latín (Ciudad del Vaticano)	la-VA	Vista previa
Letón (Letonia)	lv-LV	Vista previa
Lituano (Lituania)	lt-IT	Vista previa
Luxemburgués (Luxemburgo)	lb-LU	Vista previa
Macedonio (Macedonia del Norte)	mk-MK	Vista previa
Maithili (India)	mai-IN	Vista previa
Malgache (Madagascar)	mg-MG	Vista previa
Malayo (Malasia)	ms-MY	Vista previa
Malayalam (India)	ml-IN	Vista previa
Mongol (Mongolia)	mn-MN	Vista previa
Nepalí (Nepal)	ne-NP	Vista previa
Noruego (bokmål) (Noruega)	nb-NO	Vista previa
Noruego (Nynorsk) (Noruega)	nn-NO	Vista previa
Oriya (India)	or-IN	Vista previa
Pastún (Afganistán)	ps-AF	Vista previa
Persa (Irán)	fa-IR	Vista previa
Portugués (Portugal)	pt-PT	Vista previa
Panyabí (India)	pa-IN	Vista previa
Serbio (Serbia)	sr-RS	Vista previa
Sindhi (India)	sd-IN	Vista previa
Cingalés (Sri Lanka)	si-LK	Vista previa
Eslovaco (Eslovaquia)	sk-SK	Vista previa
Esloveno (Eslovenia)	sl-SI	Vista previa
Español (Latinoamérica)	es-419	Vista previa
Español (México)	es-MX	Vista previa
Suajili (Kenia)	sw-KE	Vista previa
Sueco (Suecia)	sv-SE	Vista previa
Urdu (Pakistán)	ur-PK	Vista previa

Disponibilidad regional

Los modelos de Gemini TTS están disponibles en las siguientes Google Cloud regiones:

Google Cloud zona	Preparación para el lanzamiento
`global`	GA

Formatos de salida admitidos

El formato de respuesta predeterminado es LINEAR16. Otros formatos admitidos son los siguientes:

Método de la API	Formato
`batch`	ALAW, MULAW, MP3, OGG_OPUS y PCM
`streaming`	No compatible

Usar Gemini-TTS

Descubre cómo usar los modelos de Gemini-TTS para sintetizar la voz de un solo interlocutor y de varios.

Antes de empezar

Para empezar a usar Text-to-Speech, debes habilitar la API en la consolaGoogle Cloud siguiendo estos pasos:

Habilita Text-to-Speech en un proyecto.
Asegúrate de que la facturación esté habilitada en Text-to-Speech.
Configura la autenticación para tu entorno de desarrollo.

Configurar un Google Cloud proyecto

Inicia sesión en la Google Cloud consola.
Ir a la página del selector de proyectos

Puedes elegir un proyecto que ya tengas o crear uno. Para obtener más información sobre cómo crear un proyecto, consulta la Google Cloud documentación.
Si creas un proyecto, aparecerá un mensaje en el que se te informará de que debes vincular una cuenta de facturación. Si usas un proyecto que ya tenías, asegúrate de habilitar la facturación

Consulta cómo confirmar que la facturación está habilitada en tu proyecto.

Nota: Debes habilitar la facturación para usar la API Text-to-Speech, pero no se te cobrará a menos que superes la cuota gratuita. Para obtener más información sobre los precios, consulta la página de precios.
Una vez que hayas seleccionado un proyecto y lo hayas vinculado a una cuenta de facturación, puedes habilitar la API Text-to-Speech. Vaya a la barra Buscar productos y recursos, situada en la parte superior de la página, y escriba "voz". Selecciona la API Text-to-Speech de Cloud en la lista de resultados.
Para probar Text-to-Speech sin vincularla a tu proyecto, elige la opción Probar esta API. Para habilitar la API Text-to-Speech en tu proyecto, haz clic en Habilitar.
Configura la autenticación para tu entorno de desarrollo. Para obtener instrucciones, consulta el artículo Configurar la autenticación para la conversión de texto a voz.

Realizar una síntesis síncrona de un solo interlocutor

Python

# google-cloud-texttospeech minimum version 2.29.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize(prompt: str, text: str, output_filepath: str = "output.mp3"):
    """Synthesizes speech from the input text and saves it to an MP3 file.

    Args:
        prompt: Styling instructions on how to synthesize the content in
          the text field.
        text: The text to synthesize.
        output_filepath: The path to save the generated audio file.
          Defaults to "output.mp3".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(text=text, prompt=prompt)

    # Select the voice you want to use.
    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        name="Charon",  # Example voice, adjust as needed
        model_name="gemini-2.5-pro-tts"
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.MP3
    )

    # Perform the text-to-speech request on the text input with the selected
    # voice parameters and audio file type.
    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    # The response's audio_content is binary.
    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts.
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following in a curious way",
    "text": "OK, so... tell me about this [uhm] AI thing."
  },
  "voice": {
    "languageCode": "en-us",
    "name": "Kore",
    "model_name": "gemini-2.5-flash-tts"
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16"
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

Realizar una síntesis síncrona de varios interlocutores con entrada de texto libre

Python

# google-cloud-texttospeech minimum version 2.31.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize_multispeaker_freeform(
    prompt: str,
    text: str,
    output_filepath: str = "output_non_turn_based.wav",
):
    """Synthesizes speech from non-turn-based input and saves it to a WAV file.

    Args:
        prompt: Styling instructions on how to synthesize the content in the
          text field.
        text: The text to synthesize, containing speaker aliases to indicate
          different speakers. Example: "Sam: Hi Bob!\nBob: Hi Sam!"
        output_filepath: The path to save the generated audio file. Defaults to
          "output_non_turn_based.wav".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(text=text, prompt=prompt)

    multi_speaker_voice_config = texttospeech.MultiSpeakerVoiceConfig(
        speaker_voice_configs=[
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker1",
                speaker_id="Kore",
            ),
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker2",
                speaker_id="Charon",
            ),
        ]
    )

    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        model_name="gemini-2.5-pro-tts",
        multi_speaker_voice_config=multi_speaker_voice_config,
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.LINEAR16,
        sample_rate_hertz=24000,
    )

    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
# google-cloud-texttospeech minimum version 2.31.0 is required.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following as a conversation between friends.",
    "text": "Sam: Hi Bob, how are you?\\nBob: I am doing well, and you?"
  },
  "voice": {
    "languageCode": "en-us",
    "modelName": "gemini-2.5-flash-tts",
    "multiSpeakerVoiceConfig": {
      "speakerVoiceConfigs": [
        {
          "speakerAlias": "Sam",
          "speakerId": "Kore"
        },
        {
          "speakerAlias": "Bob",
          "speakerId": "Charon"
        }
      ]
    }
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16",
    "sampleRateHertz": 24000
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

Realizar una síntesis multilocutor síncrona con una entrada de texto estructurada

La función de varios interlocutores con entrada de texto estructurado permite verbalizar de forma inteligente el texto de una forma similar a la humana. Por ejemplo, este tipo de entrada es útil para direcciones y fechas. La entrada de texto libre pronuncia el texto exactamente como se escribe.

Python

# google-cloud-texttospeech minimum version 2.31.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize_multispeaker_structured(
    prompt: str,
    turns: list[texttospeech.MultiSpeakerMarkup.Turn],
    output_filepath: str = "output_turn_based.wav",
):
    """Synthesizes speech from turn-based input and saves it to a WAV file.

    Args:
        prompt: Styling instructions on how to synthesize the content in the
          text field.
        turns: A list of texttospeech.MultiSpeakerMarkup.Turn objects representing
          the dialogue turns.
        output_filepath: The path to save the generated audio file. Defaults to
          "output_turn_based.wav".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(
        multi_speaker_markup=texttospeech.MultiSpeakerMarkup(turns=turns),
        prompt=prompt,
    )

    multi_speaker_voice_config = texttospeech.MultiSpeakerVoiceConfig(
        speaker_voice_configs=[
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker1",
                speaker_id="Kore",
            ),
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker2",
                speaker_id="Charon",
            ),
        ]
    )

    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        model_name="gemini-2.5-pro-tts",
        multi_speaker_voice_config=multi_speaker_voice_config,
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.LINEAR16,
        sample_rate_hertz=24000,
    )

    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts.
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
# google-cloud-texttospeech minimum version 2.31.0 is required.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following as a conversation between friends.",
    "multiSpeakerMarkup": {
      "turns": [
        {
          "speaker": "Sam",
          "text": "Hi Bob, how are you?"
        },
        {
          "speaker": "Bob",
          "text": "I am doing well, and you?"
        }
      ]
    }
  },
  "voice": {
    "languageCode": "en-us",
    "modelName": "gemini-2.5-flash-tts",
    "multiSpeakerVoiceConfig": {
      "speakerVoiceConfigs": [
        {
          "speakerAlias": "Sam",
          "speakerId": "Kore"
        },
        {
          "speakerAlias": "Bob",
          "speakerId": "Charon"
        }
      ]
    }
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16",
    "sampleRateHertz": 24000
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

Usar la síntesis de voz en Media Studio

Puedes usar Media Studio en la consola de Google Google Cloud para experimentar con modelos de conversión de texto a voz. De esta forma, se proporciona una interfaz de usuario para generar rápidamente audio sintetizado, escucharlo y experimentar con diferentes instrucciones y parámetros de estilo.

En la consola de Google Google Cloud , ve a la página Vertex AI Studio > Media Studio.

Media Studio
Selecciona Voz en el menú desplegable de contenido multimedia.
En el campo de texto, escribe el texto que quieras convertir en voz.
En el panel Configuración, configure los siguientes ajustes:
1. Modelo: selecciona el modelo de conversión de texto a voz que quieras usar, como Gemini 2.5 Pro TTS. Para obtener más información sobre los modelos disponibles, consulta Modelos de conversión de texto a voz.
2. Instrucciones de estilo: opcional. Introduce una petición de texto que describa el estilo, el tono y la forma de transmitir las emociones que hayas seleccionado. De esta forma, puedes guiar el rendimiento del modelo más allá de la narración predeterminada. Por ejemplo: "Narra con un tono tranquilo y profesional para un documental".
3. Idioma: selecciona el idioma y la región del texto de entrada. El modelo genera la voz en el idioma y el acento seleccionados. Por ejemplo, Inglés (Estados Unidos).
4. Voz: elige una voz predefinida para la narración. La lista contiene las voces disponibles para el modelo y el idioma seleccionados, como Acherner (mujer).
Opcional: Despliega la sección Opciones avanzadas para configurar los ajustes técnicos de audio:
1. Codificación de audio: selecciona la codificación del archivo de audio de salida. LINEAR16 es un formato sin comprimir y sin pérdidas adecuado para el procesamiento de audio de alta calidad. MULAW también está disponible para la salida de audio comprimido.
2. Frecuencia de muestreo de audio: selecciona la frecuencia de muestreo en hercios (Hz). Esto determina la calidad del audio. Los valores más altos, como 44.100 Hz, representan un audio de mayor fidelidad, equivalente a la calidad de un CD.
3. Velocidad: ajusta la velocidad de elocución moviendo el control deslizante o introduciendo un valor. Los valores inferiores a 1 ralentizan el habla, mientras que los superiores a 1 la aceleran. El valor predeterminado es 1.
4. Ganancia de volumen (dB): ajusta el volumen del audio de salida en decibelios (dB). Los valores positivos aumentan el volumen y los negativos lo reducen. El valor predeterminado es 0.
Haz clic en el icono Enviar situado a la derecha del cuadro de texto para generar el audio.
El audio generado aparece en el reproductor multimedia. Haz clic en el botón de reproducción para escuchar el resultado. Puedes seguir ajustando la configuración y generar nuevas versiones según sea necesario.

Consejos para hacer peticiones

Para crear audio atractivo y natural a partir de texto, es necesario comprender los matices del lenguaje hablado y traducirlos a formato de guion. Los siguientes consejos te ayudarán a escribir guiones que suenen auténticos y reflejen el tono elegido.

Los tres pilares del control del habla

Para obtener resultados más predecibles y matizados, asegúrate de que los tres componentes siguientes se ajusten al resultado que quieres obtener.

Petición de estilo Es el factor principal que determina el tono emocional y la forma de expresarse en general. La petición define el contexto de todo el segmento de voz.

Ejemplo: You are an AI assistant speaking in a friendly and helpful tone.
Ejemplo: Narrate this in the calm, authoritative tone of a nature documentary narrator.

Contenido de texto: el significado semántico de las palabras que estás sintetizando. Una frase evocadora que sea coherente a nivel emocional con la petición de estilo dará resultados mucho más fiables que un texto neutro.

Bien: una petición para un tono asustado funciona mejor con un texto como I think someone is in the house.
Menos eficaz: una petición para que se use un tono de miedo con texto como The meeting is at 4 PM. dará resultados ambiguos.

Etiquetas de marcado Las etiquetas entre corchetes, como [sigh], son las más adecuadas para insertar una acción o una modificación de estilo específicas y localizadas, no para definir el tono general. Funcionan conjuntamente con la petición de estilo y el contenido de texto.

Guía de etiquetas de marcado

Nuestros estudios demuestran que las etiquetas de marcas entre corchetes funcionan en uno de los tres modos distintos. Para usar una etiqueta de forma eficaz, es fundamental entender su modo.

Modo 1: Sonidos no verbales

El marcado se sustituye por una vocalización audible que no es verbal (por ejemplo, un suspiro o una risa). La etiqueta en sí no se pronuncia. Son excelentes para añadir dudas y reacciones realistas y similares a las humanas.

Etiqueta	Comportamiento	Fiabilidad	Asesoramiento
`[sigh]`	Inserta un sonido de suspiro.	Alta	La calidad emocional del suspiro se ve influida por la petición.
`[laughing]`	Inserta una risa.	Alta	Para obtener los mejores resultados, usa una petición específica. Por ejemplo, una petición genérica puede generar una risa de sorpresa, mientras que "reacciona con una risa divertida" crea una risa de diversión.
`[uhm]`	Inserta un sonido de duda.	Alta	Útil para crear un ambiente más natural y conversacional.

Modo 2: Modificadores de estilo

El marcado no se pronuncia, pero modifica la pronunciación del texto posterior. El alcance y la duración de la modificación pueden variar.

Etiqueta	Comportamiento	Fiabilidad	Asesoramiento
`[sarcasm]`	Añade un tono sarcástico a la frase siguiente.	Alta	Esta etiqueta es un modificador potente. Demuestra que los conceptos abstractos pueden dirigir con éxito la entrega del modelo.
`[robotic]`	Hace que la voz posterior suene robótica.	Alta	El efecto puede abarcar toda una frase. Una petición de estilo de apoyo (por ejemplo, "Dilo con voz robótica") sigue siendo la opción recomendada para obtener los mejores resultados.
`[shouting]`	Aumenta el volumen de la voz posterior.	Alta	Es más eficaz cuando se combina con una petición de estilo coincidente (por ejemplo, Grita esta parte") y texto que implique gritos.
`[whispering]`	Reduce el volumen de la voz posterior.	Alta	Para obtener los mejores resultados, la petición de estilo también debe ser explícita (por ejemplo, Ahora susurra esta parte lo más suavemente posible").
`[extremely fast]`	Aumenta la velocidad de la voz posterior.	Alta	Ideal para avisos o diálogos rápidos. Necesita una asistencia mínima para las peticiones.

Modo 3: Marcado vocalizado (adjetivos)

La propia etiqueta de marcado se pronuncia como una palabra, al tiempo que influye en el tono de toda la frase. Este comportamiento suele aplicarse a los adjetivos que expresan emociones.

Advertencia: Como la etiqueta se pronuncia, es probable que este modo sea un efecto secundario no deseado en la mayoría de los casos prácticos. Te recomendamos que uses la petición de estilo para definir estos tonos emocionales.

Etiqueta	Comportamiento	Fiabilidad	Asesoramiento
`[scared]`	Se pronuncia la palabra "asustado" y la frase adopta un tono de miedo.	Alta	El rendimiento depende en gran medida del contenido de texto. La frase "I just heard a window break" (Acabo de oír cómo se rompe una ventana) produce un resultado que da miedo de verdad. Una frase neutra produce un resultado "espeluznante", pero menos auténtico.
`[curious]`	Se pronuncia la palabra "curioso" y la frase adopta un tono curioso.	Alta	Usa una frase inquisitiva para apoyar la intención de la etiqueta.
`[bored]`	Se pronuncia la palabra "aburrido" y la frase se dice con un tono aburrido y monótono.	Alta	Úsalo con texto monótono o repetitivo para obtener el mejor efecto.

Modo 4: Ritmo y pausas

Estas etiquetas insertan silencio en el audio generado, lo que te permite controlar el ritmo, los tiempos y el compás de forma granular. La puntuación estándar (comas, puntos, puntos y comas) también creará pausas naturales, pero estas etiquetas ofrecen un control más explícito.

Etiqueta	Comportamiento	Fiabilidad	Asesoramiento
`[short pause]`	Inserta una breve pausa, similar a una coma (unos 250 ms).	Alta	Se usa para separar cláusulas o elementos de una lista para que se entiendan mejor.
`[medium pause]`	Inserta una pausa estándar, similar a la que se hace entre frases (unos 500 ms).	Alta	Es eficaz para separar frases o ideas distintas.
`[long pause]`	Inserta una pausa significativa para crear un efecto dramático (más de 1000 ms).	Alta	Usar para crear un efecto dramático. Por ejemplo: "La respuesta es... `[long pause]` ...no". No abuses de ellas, ya que pueden sonar poco naturales.

Estrategias clave para obtener resultados fiables

Alinea las tres palancas Para que los resultados sean lo más predecibles posible, asegúrate de que el prompt de estilo, el contenido de texto y las etiquetas de marcado sean coherentes desde el punto de vista semántico y estén orientados al mismo objetivo.
Usa texto con carga emocional No te limites a usar peticiones y etiquetas. Proporciona al modelo un texto enriquecido y descriptivo con el que trabajar. Esto es especialmente importante en el caso de las emociones sutiles, como el sarcasmo, el miedo o la emoción.
Escribe peticiones específicas y detalladas Cuanto más específica sea tu petición de estilo, más fiable será el resultado. "Reacciona con una risa divertida" es mejor que solo [laughing]. "Habla como un locutor de noticias de radio de los años 40" es mejor que "Habla de forma antigua".
Probar y verificar etiquetas nuevas El comportamiento de una etiqueta nueva o no probada no siempre es predecible. Es posible que se vocalice una etiqueta que crees que es un modificador de estilo. Prueba siempre una nueva combinación de etiqueta o petición para confirmar su comportamiento antes de implementarla en producción.

Gemini TTS Organízate con las colecciones Guarda y clasifica el contenido según tus preferencias.

Ejemplos

Opciones de voz

Idiomas disponibles

Disponibilidad regional

Formatos de salida admitidos

Usar Gemini-TTS

Antes de empezar

Configurar un Google Cloud proyecto

Realizar una síntesis síncrona de un solo interlocutor

Python

CURL

Realizar una síntesis síncrona de varios interlocutores con entrada de texto libre

Python

CURL

Realizar una síntesis multilocutor síncrona con una entrada de texto estructurada

Python

CURL

Usar la síntesis de voz en Media Studio

Consejos para hacer peticiones

Los tres pilares del control del habla

Guía de etiquetas de marcado

Modo 1: Sonidos no verbales

Modo 2: Modificadores de estilo

Modo 3: Marcado vocalizado (adjetivos)

Modo 4: Ritmo y pausas

Estrategias clave para obtener resultados fiables

Gemini TTS