Última actualización: 13 de octubre de 2026

Gemini 3.8 Flash TTS: precios, voces y guía de la API

Google lanzó Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS el 23 de septiembre de 2026. Flash TTS es el modelo expresivo para narración, audiolibros y voces de personajes; Flash-Lite TTS es el más barato, para doblaje y agentes de voz. Esta página cubre el precio por hora, las voces, el código y los límites que debes conocer antes de construir sobre él.

Gemini 3.8 Flash TTS de un vistazo

Fuente: Página del modelo Gemini 3.8 Flash TTS

Fuente: Anuncio de lanzamiento de TTS de Google

Precios de Gemini 3.8 Flash TTS

La salida de audio se cobra a 25 tokens por segundo, así que el precio por hora es fácil de calcular. Los precios de lanzamiento rigen hasta el 31 de diciembre de 2026; los precios estándar empiezan el 1 de enero de 2027.

Las cifras por hora son nuestro cálculo a partir de los precios por token de Google y no incluyen el pequeño costo del texto de entrada. El nivel gratuito cubre ambos modelos; las entradas del nivel gratuito pueden usarse para mejorar los productos de Google.

Fuente: Precios de la Gemini API

Ejemplo en Python

1. Crea una clave en Google AI Studio y guárdala como GEMINI_API_KEY.
2. pip install -U google-genai.
3. Pon las palabras que se van a decir en el texto y la forma de decirlas (emoción, ritmo, tono) en la anotación de estilo, no en el texto.
4. Elige una voz y escribe el audio en base64 en un archivo .wav.

# pip install -U google-genai
import base64
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash-tts",
    input=[{
        "type": "user_input",
        "content": [{
            "type": "text",
            "text": "Have a wonderful day! <short pause> See you tomorrow.",
            "annotations": [{"type": "speech_metadata", "style": "cheerful and friendly"}],
        }],
    }],
    response_format={"type": "audio"},
    generation_config={"speech_config": [{"voice": "Kore"}]},
)

with open("out.wav", "wb") as f:
    f.write(base64.b64decode(interaction.output_audio.data))

Fuente: Documentación de generación de voz

Ejemplo con curl

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3.8-flash-tts",
    "input": [{
      "type": "user_input",
      "content": [{
        "type": "text",
        "text": "Have a wonderful day!",
        "annotations": [{ "type": "speech_metadata", "style": "cheerful and friendly" }]
      }]
    }],
    "response_format": { "type": "audio" },
    "generation_config": { "speech_config": [{ "voice": "Kore" }] }
  }' | jq -r '[.steps[] | select(.type=="model_output") | .content[] | select(.type=="audio")] | last | .data' \
     | base64 --decode > out.wav

Fuente: Documentación de generación de voz

Diálogo entre dos hablantes y marcas en línea

Nombra a cada hablante una vez en speech_config y luego etiqueta cada turno con su hablante y un estilo opcional. Los eventos cortos van en línea dentro del texto: <laughs>, <sigh>, <gasp>, <short pause>, y sonidos de asentimiento como |mhm| o |yeah|.

# Two speakers in one request (the most a request allows with prebuilt voices)
generation_config={"speech_config": {"speakers": [
    {"speaker": "Host", "voice": "Kore"},
    {"speaker": "Guest", "voice": "Puck"},
]}}

input=[{"type": "user_input", "content": [
    {"type": "text", "text": "Welcome back to the show. <laughs> Big week.",
     "annotations": [{"type": "speech_metadata", "speaker": "Host", "style": "warm, upbeat"}]},
    {"type": "text", "text": "|mhm| It really was.",
     "annotations": [{"type": "speech_metadata", "speaker": "Guest", "style": "relaxed"}]},
]}]

El texto se lee como un guion literal, así que las acotaciones escritas dentro del propio texto pueden leerse en voz alta. Déjalas en style.

Fuente: Documentación de generación de voz

Fuente: Anuncio de lanzamiento de TTS de Google

Voces, diseño de voz y clonación de voz

• 30 voces predefinidas como Kore, Puck, Zephyr y Charon, además de una biblioteca ampliada de 2,000+ voces de producción con acentos regionales (español mexicano, francés de Quebec, inglés escocés y más).
• Diseño de voz: describe una voz en lenguaje natural (rol, acento, carácter) y guárdala para reutilizarla.
• Replicación de voz: clona una voz a partir de una muestra de unos 30 segundos, con verificación de consentimiento, marca de agua SynthID y credenciales C2PA.
• En AI Studio, la replicación de voz no está disponible en Illinois, Texas, el EEE, el Reino Unido, Suiza ni la India.

Fuente: Anuncio de lanzamiento de TTS de Google

Fuente: Página del modelo Gemini 3.8 Flash TTS

¿Qué tan bueno es?

Google cita el Voice Design Benchmark de Hume AI, donde Flash TTS queda en primer lugar con 71.4 en general y 60.8 en modelado de acentos, y en primer y segundo lugar (Flash, luego Flash-Lite) en el índice de calidad general de Hume. En las pruebas a ciegas de Voice Arena, ambos modelos se ubican cerca de la cima en japonés, portugués de Brasil, vietnamita, árabe, español mexicano e hindi. Son resultados citados por el proveedor; escucha tu propio guion antes de decidir.

Fuente: Anuncio de lanzamiento de TTS de Google

¿Flash TTS o Flash-Lite TTS?

• Flash TTS. Audiolibros, podcasts, anuncios y personajes de videojuegos, donde la interpretación importa más que el precio.
• Flash-Lite TTS. Agentes de voz, doblaje y notificaciones de alto volumen, alrededor de un tercio más barato por hora.
• Ninguno. Conversaciones de voz en vivo y bidireccionales: usa los modelos de la Live API de Google; los modelos TTS no lo admiten.

Guía de la API de Gemini 3.8 Flash · Precios de todos los modelos

Fuente: Anuncio de lanzamiento de TTS de Google

Fuente: Página del modelo Gemini 3.8 Flash TTS

Guía independiente, sin relación con Google ni con Anthropic. Los precios y los benchmarks cambian; revisa las páginas oficiales enlazadas antes de comprometer un presupuesto.