Google: Gemini 3.1 Flash TTS Preview

Google: Gemini 3.1 Flash TTS Preview é um modelo de conversão de texto em fala da Google. Encontra-se na categoria de fala e é uma versão de pré-visualização, o que significa que o comportamento e o conjunto de vozes ainda podem mudar antes de ser lançada uma versão estável. A Google descreve-o como um avanço geracional substancial em relação ao Gemini 2.5 Flash TTS, por isso, se já utilizou esse modelo, esta é a geração mais recente a avaliar.

O modelo recebe texto como única entrada e devolve fala como única saída. Suporta uma janela de contexto de 32.768 tokens, com uma saída máxima de 16.384 tokens, o que é generoso para narração e conteúdo falado de formato longo. Estão disponíveis trinta vozes: 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 e Sulafat. A variedade de nomes sugere uma diversidade de personagens vocais em vez de uma única voz predefinida, pelo que pode fazer corresponder o tom ao conteúdo.

Os usos práticos decorrem diretamente de um modelo de texto para áudio com uma janela de contexto grande e muitas vozes. Pode gerar narração para vídeos, podcasts ou audiolivros, produzir versões faladas de artigos e documentação, criar instruções de voz para assistentes e fluxos de IVR, ou criar áudio para funcionalidades de acessibilidade. Como o limite de entrada é medido em tokens e não em caracteres, guiões longos podem ser submetidos num único pedido, e o teto de saída de 16.384 tokens dá espaço para passagens faladas extensas. A lista de vozes torna simples atribuir vozes diferentes a diferentes intervenientes ou tipos de conteúdo.

Chama o modelo através da API compatível com OpenAI da api14 utilizando o id de modelo "google/gemini-3.1-flash-tts-preview". Como a API segue o formato da OpenAI, aponta o seu cliente existente para o URL base da api14 e envia um pedido no formato habitual, com o id de modelo acima e o seu texto como entrada. O modelo não lista parâmetros suportados além do básico, por isso conte com enviar o id de modelo e o texto, e selecione uma voz da lista acima onde o formato do pedido o permita. Se o seu cliente espera um bloco de parâmetros, mantenha-o mínimo em vez de assumir opções de afinação que não estão documentadas.

Há dois aspetos que vale a pena ponderar antes de avançar. Primeiro, este é um modelo de pré-visualização, por isso a saída e o comportamento das vozes podem mudar, e não é a escolha certa para um pipeline que necessita de áudio congelado e reproduzível. Segundo, só aceita texto e só devolve fala, por isso não consegue transcrever áudio, traduzir fala ou lidar com imagens e documentos. Se a sua tarefa é reconhecimento de fala, entrada multimodal ou geração de texto geral, um modelo diferente no catálogo será mais adequado.