Atualizado em: 13 de outubro de 2026

Gemini 3.8 Flash TTS: preços, vozes e guia da API

O Google lançou o Gemini 3.8 Flash TTS e o Gemini 3.8 Flash-Lite TTS em 23 de setembro de 2026. O Flash TTS é o modelo expressivo para narração, audiolivros e vozes de personagens; o Flash-Lite TTS é o mais barato, para dublagem e agentes de voz. Esta página mostra o preço por hora, as vozes, o código e os limites que você precisa conhecer antes de construir em cima dele.

Gemini 3.8 Flash TTS em resumo

Fonte: Página do modelo Gemini 3.8 Flash TTS

Fonte: Post de lançamento do TTS do Google

Preços do Gemini 3.8 Flash TTS

A saída de áudio é cobrada a 25 tokens por segundo, então o preço por hora é fácil de calcular. Os preços de lançamento valem até 31 de dezembro de 2026; os preços padrão começam em 1º de janeiro de 2027.

Os valores por hora são nossa conta a partir dos preços por token do Google e não incluem o pequeno custo do texto de entrada. O nível gratuito cobre os dois modelos; as entradas do nível gratuito podem ser usadas para melhorar os produtos do Google.

Fonte: Preços da Gemini API

Exemplo em Python

1. Crie uma chave no Google AI Studio e salve-a como GEMINI_API_KEY.
2. pip install -U google-genai.
3. Coloque as palavras a serem faladas no texto e a forma de falar (emoção, ritmo, tom) na anotação de estilo, não no texto.
4. Escolha uma voz e grave o áudio em base64 em um arquivo .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))

Fonte: Documentação de geração de fala

Exemplo com 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

Fonte: Documentação de geração de fala

Diálogo com dois locutores e marcações no texto

Dê nome a cada locutor uma vez em speech_config e depois marque cada fala com o locutor e um estilo opcional. Eventos curtos vão direto no texto: <laughs>, <sigh>, <gasp>, <short pause>, e sons de concordância como |mhm| ou |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"}]},
]}]

O texto é lido como um roteiro literal, então rubricas escritas dentro do próprio texto podem ser faladas em voz alta. Deixe-as em style.

Fonte: Documentação de geração de fala

Fonte: Post de lançamento do TTS do Google

Vozes, design de voz e clonagem de voz

• 30 vozes prontas, como Kore, Puck, Zephyr e Charon, além de uma biblioteca ampliada de 2,000+ vozes de produção com sotaques regionais (espanhol mexicano, francês de Quebec, inglês escocês e outros).
• Design de voz: descreva uma voz em linguagem natural (papel, sotaque, personalidade) e salve-a para reutilizar.
• Replicação de voz: clone uma voz a partir de uma amostra de cerca de 30 segundos, com verificação de consentimento, marca d’água SynthID e credenciais C2PA.
• No AI Studio, a replicação de voz não está disponível em Illinois, no Texas, no EEE, no Reino Unido, na Suíça nem na Índia.

Fonte: Post de lançamento do TTS do Google

Fonte: Página do modelo Gemini 3.8 Flash TTS

Ele é bom mesmo?

O Google cita o Voice Design Benchmark da Hume AI, em que o Flash TTS fica em primeiro lugar com 71.4 no geral e 60.8 em modelagem de sotaque, além de primeiro e segundo lugar (Flash, depois Flash-Lite) no índice geral de qualidade da Hume. Nos testes cegos do Voice Arena, os dois modelos ficam perto do topo em japonês, português brasileiro, vietnamita, árabe, espanhol mexicano e hindi. São resultados citados pelo fornecedor; ouça o seu próprio roteiro antes de escolher.

Fonte: Post de lançamento do TTS do Google

Flash TTS ou Flash-Lite TTS?

• Flash TTS. Audiolivros, podcasts, anúncios e personagens de games, em que a interpretação importa mais que o preço.
• Flash-Lite TTS. Agentes de voz, dublagem e notificações em grande volume, cerca de um terço mais barato por hora.
• Nenhum dos dois. Conversas de voz ao vivo e bidirecionais: use os modelos da Live API do Google; os modelos TTS não têm suporte a isso.

Guia da API do Gemini 3.8 Flash · Preços de todos os modelos

Fonte: Post de lançamento do TTS do Google

Fonte: Página do modelo Gemini 3.8 Flash TTS

Guia independente, sem vínculo com o Google ou a Anthropic. Preços e benchmarks mudam; confira as páginas oficiais nos links antes de fechar um orçamento.