Google: Gemini 3.1 Flash TTS Preview

Google: Gemini 3.1 Flash TTS Preview es un modelo de texto a voz de Google. Se sitúa en la categoría de voz y es una versión preliminar, lo que significa que el comportamiento y el conjunto de voces aún pueden cambiar antes de que llegue una versión estable. Google lo describe como un avance generacional sustancial respecto a Gemini 2.5 Flash TTS, así que si has usado ese modelo, esta es la generación más nueva para evaluar.

El modelo toma texto como su única entrada y devuelve voz como su única salida. Admite una ventana de contexto de 32.768 tokens, con una salida máxima de 16.384 tokens, lo cual es generoso para narración y contenido hablado de formato largo. Hay treinta voces disponibles: Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callirrhoe, Autonoe, Enceladus, Iapetus, Umbriel, Algieba, Despina, Erinome, Algenib, Rasalgethi, Laomedeia, Achernar, Alnilam, Schedar, Gacrux, Pulcherrima, Achird, Zubenelgenubi, Vindemiatrix, Sadachbia, Sadaltager y Sulafat. La variedad de nombres sugiere una diversidad de personajes vocales en lugar de una única voz predeterminada, así que puedes ajustar el tono al contenido.

Los usos prácticos se derivan directamente de un modelo de texto de entrada y audio de salida con una ventana de contexto grande y muchas voces. Puedes generar narración para vídeos, pódcasts o audiolibros, producir versiones habladas de artículos y documentación, crear indicaciones de voz para asistentes y flujos de IVR, o crear audio para funciones de accesibilidad. Como el límite de entrada se mide en tokens en lugar de caracteres, los guiones largos se pueden enviar en una sola solicitud, y el techo de salida de 16.384 tokens da espacio para pasajes hablados extensos. La lista de voces facilita asignar voces diferentes a distintos hablantes o tipos de contenido.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "google/gemini-3.1-flash-tts-preview". Como la API sigue la forma de OpenAI, apuntas tu cliente existente a la URL base de api14 y envías una solicitud en el formato habitual, con el id de modelo anterior y tu texto como entrada. El modelo no indica parámetros admitidos más allá de los básicos, así que prevé enviar el id de modelo y el texto, y selecciona una voz de la lista anterior donde el formato de la solicitud lo permita. Si tu cliente espera un bloque de parámetros, mantenlo mínimo en lugar de asumir opciones de ajuste que no están documentadas.

Merece la pena sopesar dos cosas antes de comprometerte. Primero, este es un modelo preliminar, así que la salida y el comportamiento de las voces pueden cambiar, y no es la elección adecuada para un flujo de trabajo que necesita audio congelado y reproducible. Segundo, solo acepta texto y solo devuelve voz, así que no puede transcribir audio, traducir voz ni manejar imágenes y documentos. Si tu tarea es reconocimiento de voz, entrada multimodal o generación de texto general, un modelo diferente del catálogo encajará mejor.