Google lança modelos Gemini 3.8 Flash TTS para geração de voz por IA

O Google anunciou o lançamento dos modelos Gemini 3.8 Flash TTS e Gemini 3.8 Flash-Lite TTS, voltados para a conversão de texto em fala. A novidade, que se junta às iniciativas recentes da empresa como a linha de modelos Gemini 3.8 Live com foco em conversas por voz, oferece suporte a mais de 100 idiomas e permite a criação de perfis vocais por meio de comandos de texto ou amostras gravadas.

O Gemini 3.8 Flash TTS foi projetado para uso criativo em jogos, audiolivros e podcasts, permitindo criar uma voz do zero ao definir sotaque, papel e traços vocais. O modelo também disponibiliza uma biblioteca com mais de 2.000 vozes pré-definidas, incluindo variações regionais. Por sua vez, o Gemini 3.8 Flash-Lite TTS é focado na geração de fala em escala e de baixo custo, destinado a tarefas como dublagem, conteúdos em áudio e agentes de voz.

Controle de roteiro e recursos de clonagem de voz

Ambos os modelos aceitam direções de cena para falas individuais, como a inserção de gargalhadas, suspiros e sons não verbais. O Google também incluiu um modo para diálogos entre duas vozes mantendo a distinção de cada uma a partir de um único roteiro, com a promessa de gerar horas de áudio com variação mínima no tom do locutor.

O sistema de clonagem exige uma amostra de áudio de 30 segundos e a gravação de uma declaração de consentimento falada pela pessoa cuja voz será copiada, que precisa coincidir com o arquivo fornecido. Segundo a empresa, todos os arquivos gerados contêm a marca d'água inaudível SynthID para identificar conteúdos criados por inteligência artificial. O Google informou ainda que trabalha na função "Voice Remixing", que permitirá alterar timbre, tom, ritmo e sotaque de vozes da biblioteca, embora o recurso ainda não esteja disponível.

Disponibilidade e custos de API

A distribuição dos novos modelos foi iniciada pela API do Gemini e pelo Google AI Studio, além de integrações no Gemini Notebook para o Flash TTS e no Google Vids para o Flash-Lite TTS. A empresa informou que a liberação na API do Gemini Enterprise ocorrerá em breve, e plataformas de desenvolvedores como Vercel, Pipecat, LiveKit e Agora já oferecem suporte à novidade.

Em relação à precificação, a cobrança é feita por milhão de tokens na API. O Google define que um segundo de áudio gerado equivale a 25 tokens de áudio, resultando em 90.000 tokens por hora. Até o final de 2026, a hora de áudio gerado custará US$ 0,81 no Flash TTS e US$ 0,54 no Flash-Lite TTS. A partir de 1º de janeiro de 2027, esses valores passam para US$ 1,62 e US$ 1,08 por hora, respectivamente, com o processamento do texto de entrada cobrado separadamente.