Nota — perfil prospectivo. Gemini 3.1 Flash TTS Preview (
gemini-3.1-flash-tts-preview) es una instantánea de vista previa. El comportamiento, el catálogo de voces y los límites de tasa cambiarán antes de la disponibilidad general.
El modelo de texto a voz de tier Flash de próxima generación de Google. Una ventana de prompt de 8 192 tokens dimensionada para el guion, instrucciones de control opcionales y margen razonable. Salida de audio con los refinamientos que distinguen la generación 3.1 del hermano 2.5 Flash TTS de producción.
Esta es síntesis en una dirección. Texto como entrada, audio hablado como salida. Todo lo que sigue trata sobre qué hace diferente el TTS de próxima generación frente al 2.5 Flash TTS de producción y cómo se sitúa frente al resto del sector.
Qué cambió respecto al 2.5 Flash Preview TTS
La generación 3.1 Flash aporta varias mejoras sobre la vista previa TTS 2.5 Flash:
- Prosodia más natural en contenido de formato largo. Los parches de sonido sintético que ocasionalmente aparecían en el audio de varios minutos en la generación 2.5 son menos frecuentes.
- Mejor control emocional mediante instrucciones a nivel de prompt. La dirección como "hablar con calidez medida" o "leer esto con urgencia tranquila" funciona de forma más fiable y con menos esfuerzo de ingeniería de prompts.
- Cobertura de idiomas más sólida. El catálogo de idiomas admitidos y la calidad en las voces no anglófonas han avanzado.
- Diálogo de múltiples hablantes más consistente. Las voces distintas se mantienen distintas en escenas más largas; las características del hablante permanecen estables a través de intercambios prolongados.
- Gestión más fluida de respiración, pausas y ritmo. El audio suena más como un humano leyendo y menos como un modelo ensamblando fonemas.
Ninguno de esos cambios es individualmente transformador. El efecto compuesto es un TTS de tier Flash que cierra parte de la brecha audible con el tier Pro de la generación 2.5.
Qué hace bien
El trabajo TTS fundamental —síntesis de voz limpia a partir de un guion de texto con latencia razonable— es sólido. La vista previa 3.1 mantiene el perfil de latencia de tier Flash que hizo utilizable la versión 2.5 para aplicaciones interactivas.
El catálogo de voces cubre los principales idiomas europeos con múltiples voces por idioma. La generación 3.1 amplía el catálogo y mejora la calidad en las voces existentes.
El control de prosodia mediante instrucciones a nivel de prompt es más fiable que en la generación 2.5. Se puede describir la entrega deseada y el modelo se ajusta con una fidelidad razonable.
El diálogo de múltiples hablantes funciona con limpieza para guiones con etiquetas de hablante claras. El modelo produce voces distintas por hablante y mantiene las asignaciones a lo largo del guion.
Qué hace mal
Sigue siendo tier de vista previa. Los límites de tasa, la disponibilidad regional y los comportamientos específicos pueden cambiar antes de la disponibilidad general. Para cargas de trabajo de producción que necesitan un comportamiento estable hoy, la vista previa TTS 2.5 Flash sigue siendo la opción más conservadora.
El tier Pro de la generación 2.5 sigue produciendo una salida notablemente mejor en el trabajo de formato largo más exigente. La generación 3.1 Flash cierra la brecha con 2.5 Pro pero no lo iguala.
La clonación de voz de una persona real específica sigue quedando fuera del alcance del catálogo. Para cargas de trabajo que necesitan una voz real específica, los proveedores especializados son la alternativa relevante.
La latencia ultra-baja para aplicaciones de streaming donde cada palabra debe llegar de inmediato sigue siendo una restricción. La latencia del tier Flash es buena pero no instantánea; verifique el perfil contra su caso de uso específico.
Dónde brilla
Algunas cargas de trabajo donde la vista previa TTS 3.1 Flash encaja bien:
- Narración para contenido de vídeo donde la latencia del tier Flash funciona y la mejora de calidad 3.1 sobre 2.5 importa.
- Aplicaciones interactivas donde la calidad del TTS casi en tiempo real y la latencia necesitan equilibrarse.
- Escenas de diálogo de múltiples hablantes donde la generación 3.1 gestiona la consistencia de voz mejor que 2.5.
- Flujos de trabajo de localización donde el catálogo de idiomas ampliado cubre más mercados objetivo.
- Sistemas IVR y de respuesta de voz donde la síntesis de sonido moderno importa para la experiencia del usuario.
Cuándo no es la herramienta adecuada
Cargas de trabajo de producción que necesitan un comportamiento estable hoy. Use 2.5 Flash Preview TTS hasta que la línea 3.1 alcance la disponibilidad general.
Trabajo de audiolibro de formato largo de la más alta calidad. La vista previa TTS 2.5 Pro sigue siendo la opción de mayor fidelidad para la producción más exigente.
Reconocimiento de voz o transcripción. Dirección equivocada; familia de modelos equivocada.
Voz conversacional en tiempo real. Esta es síntesis. Las variantes de audio en tiempo real de Gemini manejan el diálogo bidireccional de forma más natural.
Clonación de voz para individuos específicos. Solo selección de catálogo de voces; para voces personalizadas, consulte proveedores especializados.
Generación de música o diseño de sonido. Categorías de herramientas completamente diferentes.
Cómo se compara con las alternativas
Frente al hermano 2.5 Flash Preview TTS: la vista previa 3.1 es la actualización natural para nuevas construcciones. Para despliegues 2.5 Flash existentes, el argumento de migración depende de si las mejoras audibles importan para su carga de trabajo específica y de si el comportamiento del tier de vista previa es aceptable.
Frente al 2.5 Pro Preview TTS: el tier Pro de la generación 2.5 sigue ganando en el trabajo de formato largo más exigente. La vista previa 3.1 Flash cierra la brecha desde abajo. Para calidad de rango medio a coste del tier Flash, 3.1 Flash es cada vez más competitivo con 2.5 Pro.
Frente a alternativas no Google: ElevenLabs y proveedores TTS especializados similares compiten en profundidad del catálogo de voces, capacidades de clonación de voz y control emocional. Para cargas de trabajo donde una capacidad estilística específica más allá del catálogo de Google importa, los proveedores especializados pueden seguir teniendo ventaja. Para cargas de trabajo en el stack de Google donde el coste del tier Flash se combina con calidad de próxima generación, el TTS 3.1 Flash es competitivo.
El panorama por categorías de síntesis de audio está en /benchmarks/intelligence y el leaderboard en /benchmarks/leaderboard.
Patrones prácticos
Algunas cosas que vale la pena saber antes de construir sobre la vista previa TTS 3.1 Flash:
- Las mejoras sobre 2.5 Flash son más claras en guiones más largos. Los clips cortos a menudo suenan similares entre los dos; el contenido de múltiples párrafos revela la diferencia.
- Las instrucciones de prosodia funcionan de forma más fiable que en la generación 2.5 pero siguen beneficiándose de ser específicas. "Hablar con urgencia leve, algo más rápido de lo normal" funciona mejor que "hazlo urgente".
- Para el diálogo de múltiples hablantes, etiquete los hablantes con claridad y consistencia a lo largo del guion. La generación 3.1 mantiene el carácter de la voz mejor en guiones largos.
- La elección del formato de audio afecta a la calidad audible de las mejoras. WAV preserva la plena fidelidad que produce la generación 3.1; los formatos con pérdida descartan parte de ella.
- La latencia de generación escala aproximadamente de forma lineal con la longitud del guion. Planifique patrones de UX para reproducción en streaming en lugar de esperar archivos completos.
Notas de despliegue
API estándar de Google Gemini con endpoints específicos de TTS. El formato de solicitud sigue el patrón TTS más amplio en la familia Gemini: consulte la referencia del modelo para la forma de los parámetros.
La disponibilidad regional sigue el patrón estándar de Vertex AI de Google. Las regiones de la UE están disponibles en contratos enterprise. El acceso a la API de consumidor estándar no fija una región.
El audio generado lleva metadatos de procedencia en línea con los compromisos más amplios de Google en torno al contenido generado por IA. Para cargas de trabajo donde esto importa en cualquier sentido, consulte la documentación actual de la API.
Los precios del tier de vista previa no deben ser la base para la modelización de costes a largo plazo. La estructura de precios en la disponibilidad general puede diferir de las tarifas del tier de vista previa.
Cuándo elegirlo
Use Gemini 3.1 Flash TTS Preview cuando:
- Explore las capacidades TTS del tier Flash de próxima generación para futuro despliegue en producción.
- La carga de trabajo estaba limitada por la calidad del TTS 2.5 Flash y quiera ver si 3.1 cierra la brecha.
- Los límites de tasa del tier de vista previa y las consideraciones de comportamiento sean aceptables.
- El catálogo de idiomas ampliado cubre sus mercados objetivo.
Elija otra opción cuando:
- Necesite un comportamiento TTS estable en producción hoy. Use 2.5 Flash Preview TTS.
- La carga de trabajo necesite la más alta fidelidad para la producción de audiolibros de formato largo. Considere 2.5 Pro Preview TTS.
- El trabajo es transcripción de voz, diálogo bidireccional en tiempo real o clonación de voz.
- El carácter de voz específico que necesita no está en el catálogo.
El resumen: sólido TTS Flash de próxima generación que refina de forma significativa lo que ofrecía la versión 2.5 Flash. Para exploración del tier de vista previa y diseño prospectivo, es el punto de partida correcto. Para despliegue estable en producción hoy, el TTS 2.5 Flash sigue siendo la opción conservadora.
Pruébelo con un guion real en /live-test. La calidad de voz es suficientemente subjetiva como para que deba escuchar la diferencia 2.5-versus-3.1 en su propio contenido antes de comprometerse.
Última revisión técnica: 2026-05-22 — Tokonomix.ai
