Hoy anunciamos mejoras significativas en nuestros modelos de vista previa de Texto a Voz (TTS) de Gemini 2.5 Flash y Gemini 2.5 Pro.
Las principales mejoras incluyen:
- Mayor expresividad: Versatilidad de tono 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.
- Diálogo fluido: Voces de personajes consistentes en escenarios con múltiples hablantes.
Estos modelos reemplazarán a nuestros modelos TTS lanzados en mayo. Puedes comenzar a prototipar aplicaciones en Google AI Studio y explorar las capacidades del modelo 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 requiera un control granular sobre el estilo, tono, ritmo y acentos, desde audiolibros extensos hasta módulos de aprendizaje localizados. Casos de uso como tutoriales de productos, videos de marketing o contenido para creadores a menudo también requieren interacciones con múltiples voces y pronunciaciones técnicas confiables.
Para abordar estas necesidades, lanzamos actualizaciones tanto para la vista previa de Gemini 2.5 Flash TTS (optimizada para baja latencia) como para la vista previa de Gemini 2.5 Pro TTS (optimizada para calidad).
Mayor versatilidad de estilo y tono
Ya sea que estés creando un personaje de juego de rol, un asistente virtual útil o un narrador dramático, la voz debe ajustarse al rol. Nuestros modelos Gemini TTS 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 para esa instrucción.
Explora la gama de estilos del modelo Gemini 2.5 TTS en acción en nuestra aplicación de demostración Synergy Intro.
Control de ritmo consciente del contexto
Para crear patrones de habla naturales, el ritmo es un elemento crítico: 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 reducir la velocidad de forma natural para enfatizar o acelerar para transmitir 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 hacia la emoción y el alivio"
Texto: "Intenté abrir la puerta lentamente. Manosear nerviosamente… Nada… respirando hondo, lo intenté por segunda vez. ¡Click, entré! ¡No puedo creerlo, realmente entré!"
Capacidades mejoradas para múltiples hablantes
Para casos de uso como podcasts, entrevistas simuladas o narraciones con múltiples personajes, crear un diálogo realista con identidades distintas es clave. Hemos refinado los modelos para mantener voces de personajes consistentes y manejar el "traspaso" entre hablantes de manera más natural durante los intercambios.
También hemos mejorado las capacidades multilingües de nuestro modelo, de modo que puede preservar el tono, tono y estilo únicos de cada personaje a lo largo de la conversación en todos los 24 idiomas compatibles.
Explora las capacidades multilingües y de múltiples hablantes del modelo en nuestra aplicación de demostración Voces de la Historia.
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 hablantes y control sobre el ritmo y la entrega, y Director Mode, que brinda control preciso sobre pronunciaciones, entonación y señales no verbales, haciendo que las ediciones se sientan sin esfuerzo.
"Gemini TTS ha sido la clave para llevar Wondercraft de demostraciones a casos de uso reales en producción. 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 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 un panel de cómic y la historia general. Esto incluye adaptar el tono, la entonación y el acento de cada personaje para que la experiencia sea lo más inmersiva posible. Actualmente, lo estamos haciendo tanto para cómics en inglés como en hindi, donde hemos encontrado que la consistencia del tono del personaje y la calidad son excepcionales."
Vishal Anand, CEO @ Toonsutra
Comienza hoy
Los modelos Gemini 2.5 Flash y 2.5 Pro TTS 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.
