Hoy anunciamos mejoras significativas en nuestros modelos de prueba de Texto a Voz (TTS) Gemini 2.5 Flash y Gemini 2.5 Pro.
Las mejoras clave incluyen:
- Mayor expresividad: Versatilidad tonal más rica y adherencia más estricta a las indicaciones de estilo.
- Ritmo preciso: Ajustes de velocidad más inteligentes según el contexto y mejor seguimiento de instrucciones.
- Diálogos fluidos: Voces de personajes consistentes en escenarios con múltiples interlocutores.
Estos modelos reemplazarán a nuestros modelos TTS lanzados en mayo. Puedes empezar a crear prototipos de aplicaciones en Google AI Studio y explorar las capacidades de los modelos hoy mismo en el Playground.
Nuevos modelos TTS Flash y Pro
Muchos desarrolladores confían en la conversión de texto a voz para generar contenido de alta fidelidad que requiere un control granular sobre el estilo, el tono, el ritmo y los acentos, desde audiolibros extensos hasta módulos educativos localizados. Casos de uso como tutoriales de productos, videos de marketing o contenido para creadores también suelen requerir interacciones con múltiples voces y pronunciaciones técnicas confiables.
Para abordar estas necesidades, lanzamos actualizaciones tanto de Gemini 2.5 Flash TTS preview (optimizado para baja latencia) como de Gemini 2.5 Pro TTS preview (optimizado para calidad).
Mayor versatilidad de estilo y tono
Ya sea que estés creando un personaje de un juego de rol, un asistente virtual útil o un narrador dramático, la voz debe adaptarse al papel. Nuestros modelos TTS Gemini ahora son mucho más expresivos y se alinean mucho más estrechamente con las instrucciones específicas proporcionadas en tu indicación de estilo, mejorando drásticamente la adherencia al rol. Puedes solicitar un tono específico, desde "alegre y optimista" hasta "sombrío y serio", y el modelo ofrecerá una interpretación que se sienta auténtica a esa instrucción.
Explora la gama de estilos del modelo TTS Gemini 2.5 en acción en nuestra aplicación de demostración Synergy Intro.
Control de ritmo sensible al contexto
Para crear patrones de habla naturales, el ritmo es un elemento fundamental: un chiste necesita sincronización, una explicación compleja necesita espacio para respirar y una secuencia de acción necesita velocidad. Hemos refinado la capacidad del modelo para ajustar el ritmo según el contexto del mensaje, permitiéndole ralentizar de forma natural para enfatizar o acelerar para generar emoción. Además, hemos mejorado el control del ritmo, lo que significa que el modelo ahora sigue tus instrucciones explícitas relacionadas con el ritmo con una fidelidad mucho mayor.
Escucha cómo el modelo ajusta su ritmo según las instrucciones:
"Estilo: Eres un narrador de una novela de misterio. Comienza con un tono nervioso que se acelera hasta convertirse en emoción y alivio"
Texto: "Intenté abrir la puerta lentamente. Manoseé nerviosamente… Nada… Respirando profundamente, lo intenté una segunda vez. ¡Click, entré! No puedo creerlo, ¡realmente entré!"
Capacidades mejoradas para múltiples interlocutores
Para casos de uso como podcasts, entrevistas simuladas o narrativas con múltiples personajes, crear un diálogo realista con identidades distintivas es clave. Hemos refinado los modelos para mantener voces de personajes consistentes y manejar la "transición" entre interlocutores de manera más natural durante los intercambios de ida y vuelta.
También hemos mejorado las capacidades multilingües de nuestro modelo, para que pueda preservar el tono, el tono y el estilo únicos de cada personaje a lo largo de la conversación en todos los 24 idiomas admitidos.
Explora las capacidades multilingües y de múltiples interlocutores del modelo en nuestra aplicación de demostración Voices from History.
Lo que dicen los clientes
Los socios ya están viendo el impacto de estas mejoras en producción.
Wondercraft, una plataforma de audio con IA, utiliza Gemini TTS para construir dos de sus funciones más importantes: Convo Mode, que permite a cualquiera crear conversaciones realistas con múltiples interlocutores con control sobre el ritmo y la entrega, y Director Mode, que brinda un control preciso sobre las pronunciaciones, la entonación y las señales no verbales, haciendo que las ediciones sean sencillas.
"Gemini TTS ha sido la clave para llevar a Wondercraft de demostraciones a casos de uso de producción reales. Los clientes siempre han querido un habla más natural, y los motores TTS tradicionales se quedaban cortos. Desde que adoptamos Gemini TTS, las suscripciones han aumentado un 20 por ciento, la deserción en el primer mes ha disminuido un 20 por ciento y nuestros costos se han reducido en un 20 por ciento."
Youssef Rizk, Fundador @ Wondercraft
Toonsutra da vida a sus historias con voces en off cinematográficas para personajes y anuncios de video promocionales, confiando en Gemini TTS por su capacidad para manejar diversos idiomas y matices de personajes.
"Generamos audio para personajes según su contexto dentro de una viñeta de cómic y la historia general. Esto incluye adaptar el tono, el timbre y el acento de cada personaje para hacer la experiencia lo más inmersiva posible. Actualmente, hacemos esto tanto para cómics en inglés como en hindi, donde hemos descubierto que la consistencia y la calidad del tono de los personajes son excepcionales."
Vishal Anand, CEO @ Toonsutra
Comienza hoy
Los modelos TTS Gemini 2.5 Flash y 2.5 Pro están disponibles a través de la API de Gemini en Google AI Studio. Lee nuestra documentación para desarrolladores, explora la guía de indicaciones o consulta el Gemini API Cookbook para comenzar.
