Gemini 3.1 Flash TTS es un modelo generativo de síntesis de voz publicado por Google Gemini Team el 15 de abril de 2026. A diferencia del TTS convencional, permite indicar estilo, velocidad, entonación y forma de entrega mediante etiquetas de audio en lenguaje natural, incluso en mitad de una frase. Interpreta la intención de dirección y la convierte en expresión vocal. Los sistemas tradicionales requieren ajustar parámetros independientes como velocidad, tono, emoción y pausas, y coordinar manualmente voces y turnos en diálogos. Gemini 3.1 Flash TTS admite conversaciones nativas con varios hablantes y más de 70 idiomas, aunque la calidad y las voces disponibles por idioma deben verificarse en la documentación oficial. Los investigadores pueden generar demostraciones de resúmenes o protocolos, producir diálogos entre investigador y clínico para explicar biomarcadores y enfatizar advertencias de seguridad mediante etiquetas insertadas. Puede usarse desde Google AI Studio, Gemini API o Vertex AI sin instalar un modelo local. Las etiquetas, límites de entrada, formato de audio y cuotas deben confirmarse. La voz generada incorpora SynthID según la información disponible. Antes de usarla en materiales de pacientes o clínicos, revise detección, retención, región de procesamiento y privacidad. Requiere revisión experta y no genera decisiones clínicas ni consejo médico.

Modelo generativo de síntesis de voz de Google que controla estilo, ritmo y entonación mediante instrucciones de audio en lenguaje natural.

Mejora de accesibilidad de artículos científicos: Enviar resúmenes y etiquetas de audio para leer términos técnicos lentamente y enfatizar conclusiones. Validar directamente la calidad de cada idioma compatible.