El Gemini 3.8 Flash TTS de Google puede clonar una voz a partir de 30 segundos de audio

Google lanzó el 23 de septiembre de 2026 dos nuevos modelos de voz, y el más capaz hace algo que es técnicamente posible desde hace años pero que rara vez se ofrece con los controles de consentimiento de un proveedor mayoritario: puede recrear una voz a partir de una grabación breve. Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS se están desplegando a través de la API de Gemini y Google AI Studio, y se suman a la familia Gemini 3.8 que la empresa lanzó a principios de septiembre.

Lectura relacionada: Las acciones de ServiceNow cayeron un 27% cuando el miedo a la IA llegó al negocio del software · Cloudflare adquiere Deno para que Workers pueda autoalojarse.

El lanzamiento es un producto, no un artículo de investigación, y Google lo vende como infraestructura para un mercado ya abarrotado. La conversión de texto a voz se ha convertido en una función básica dentro de asistentes, herramientas de doblaje y software de accesibilidad, y los factores que ahora marcan la diferencia son la calidad, la cobertura de idiomas, el coste y el control. Google dice ser fuerte en los cuatro, con una función de clonación que atraerá la mayor atención y el mayor escrutinio.

Qué hacen los dos modelos

Flash TTS es el modelo creativo. Según The Next Web, los usuarios pueden diseñar una voz nueva a partir de una indicación de texto o elegir entre más de 2.000 voces ya preparadas. El modelo también puede recrear una voz a partir de una muestra de audio de 30 segundos. Google dice que esa función requiere una grabación de consentimiento verbal del dueño de la voz, y que el sistema comprueba que la grabación de consentimiento coincide con el hablante de referencia antes de crear la voz.

Flash-Lite TTS es el caballo de batalla. Google lo describe como concebido para una generación de gran volumen y coste eficiente, orientado al doblaje, al contenido de audio masivo y a agentes de voz expresivos. En la práctica, es el modelo que usará la mayoría de los desarrolladores cuando necesiten miles de líneas de voz y no puedan permitirse la opción prémium.

Ambos modelos admiten más de 100 idiomas, según The Decoder. También gestionan indicaciones escénicas por línea, diálogos a dos voces y sonidos no verbales como risas y suspiros. Esos detalles importan más de lo que parece: las claves expresivas son lo que separa una voz sintética que lee texto de otra capaz de sostener una interpretación, y son la razón por la que la conversión de texto a voz ha pasado a ser útil para pódcast, audiolibros y personajes de videojuegos, y no solo para lectores de pantalla.

Los benchmarks en los que se apoya Google

Google publicó benchmarks de terceros junto con el anuncio, una señal de que espera que se le compare con especialistas. Dice que Flash TTS quedó primero en el Voice Design Benchmark de Hume AI con una puntuación de 71,4, y primero en modelado de acentos con 60,8. En el índice de calidad global de Hume AI, Flash TTS ocupó el primer puesto y Flash-Lite TTS el segundo. En pruebas de preferencia a ciegas en Voice Arena, Google dice que los modelos alcanzaron las primeras posiciones en idiomas como el japonés, el hindi y el español de México.

Los benchmarks son un punto de partida, no un veredicto. La calidad de la voz es inusualmente subjetiva, y un modelo que gana en un benchmark de acentos puede desmoronarse en un pasaje largo con nombres poco habituales o cambios emocionales. Pero que Google compita en los benchmarks que vigila la industria de la voz sugiere que quiere que se le tome en serio en un mercado asociado actualmente a ElevenLabs y a la india Murf AI, con Adobe añadiendo generación de voz a Firefly en agosto.

"Flash TTS también puede recrear una voz a partir de una muestra de audio de 30 segundos. Google dice que los usuarios deben aportar una grabación de consentimiento verbal del dueño de la voz." — The Next Web

La clonación de voz y el problema del consentimiento

La función de clonación es donde el producto se vuelve interesante y donde está el riesgo. Treinta segundos son un listón bajo. Un clip breve de un pódcast, un mensaje de voz o un vídeo de redes sociales basta para construir un perfil, y la tecnología para usar ese perfil de forma convincente ya existe en abierto. La incorporación por parte de Google de una verificación de consentimiento, en la que el dueño de la voz graba una declaración hablada y el sistema la comprueba con la muestra, es un intento de poner una puerta delante de la capacidad en lugar de fingir que no está ahí.

Que esa puerta sirva de algo depende de detalles que Google no ha publicado. No está claro cómo se verifica la grabación de consentimiento, qué ocurre si alguien usa una muestra sintética para superar la comprobación ni cómo gestiona la empresa una voz clonada en otro sitio e introducida como referencia. Los actores de doblaje y sus sindicatos llevan tiempo reclamando precisamente esas respuestas, y es poco probable que una verificación dirigida por el proveedor deje satisfechos a todos.

El momento también invita a comparar. Google lanzó a mediados de septiembre los modelos de voz conversacionales Gemini 3.8 Live, que razonan mientras hablan. Añadir una semana después un modelo TTS con capacidad de clonación muestra a una empresa que avanza deprisa por toda la pila de la voz: comprensión, conversación y síntesis. Para los desarrolladores, eso significa que un solo proveedor puede ya suministrar la mayoría de las piezas de un producto de voz.

Por qué la clonación de voz está de pronto en todas partes

La clonación de voz no es nueva. Los investigadores demostraron hace años una replicación convincente de hablantes, y los modelos abiertos han puesto la capacidad básica al alcance de todos. Lo que ha cambiado es que esa capacidad ha pasado de las demostraciones de investigación a productos comerciales con API, precios y contratos de soporte, lo que la hace utilizable por empresas que jamás habrían entrenado un modelo propio.

El terreno competitivo refleja ese cambio. ElevenLabs construyó un negocio en torno a la síntesis y la clonación de alta calidad, Adobe añadió generación de voz a Firefly en agosto y el equipo Qwen de Alibaba lanzó en julio un modelo de voz con capacidad de clonación. La entrada de Google importa porque puede empaquetar la voz dentro de una plataforma que ya incluye modelos de lenguaje, un ecosistema de desarrolladores y distribución en la nube. Para una startup que decide cómo añadir voz, la elección es ahora entre un especialista y un generalista que lo ofrece todo en un mismo sitio.

Los casos de uso también se multiplican más rápido que las salvaguardas. Doblar un vídeo a una docena de idiomas solía requerir un estudio y un reparto. Ahora puede automatizarse, lo que es bueno para el alcance y duro para los actores de doblaje que hacían ese trabajo. Los audiolibros, los pódcast, los personajes de videojuegos y la atención al cliente se benefician de una síntesis más barata y rápida. Esa misma capacidad puede producir una imitación convincente de una persona real sin su consentimiento.

"Google dice que los usuarios deben aportar una grabación de consentimiento verbal del dueño de la voz, y el sistema comprueba que coincide con el hablante de referencia antes de crear la voz." — The Next Web

La batalla del consentimiento

La verificación de consentimiento de Google es un intento de anticiparse a un problema que ya ha llegado a los parlamentos y a los tribunales. Los actores de doblaje y sus sindicatos sostienen que la voz de una persona es una forma de identidad que no debería poder replicarse sin permiso, y varias jurisdicciones han aprobado o propuesto leyes en ese sentido. La ELVIS Act de Tennessee, llamada así por Elvis Presley, fue un ejemplo temprano en Estados Unidos, y desde entonces el debate se ha ampliado para abarcar las interpretaciones generadas por IA en general.

Las salvaguardas de un proveedor y las normas jurídicas son cosas distintas. Una grabación de consentimiento puede disuadir del mal uso ocasional, pero no crea un derecho ni puede impedir que alguien use otra herramienta para clonar una voz a partir de audio público. La protección práctica de un actor de doblaje es un contrato y una ley, no una casilla en la consola de un desarrollador. La verificación de Google se entiende mejor como una señal de que la empresa sabe que la capacidad es delicada, no como una solución al problema.

Eso deja a los desarrolladores ante una decisión que cada vez tendrán que tomar de forma explícita. Crear una función de voz significa ahora elegir qué voces entran en el ámbito, cómo se registra el consentimiento y qué ocurre cuando un usuario aporta una muestra que no le pertenece. Google ha dado una respuesta. El resto de la industria sigue discutiendo cuál debería ser.

Dónde aterriza

Google dice que Figma, HeyGen, Wondercraft, Linguana, 99.co y Ollang están entre las empresas que integran los nuevos modelos. Flash TTS llegará a Gemini Notebook y Flash-Lite TTS a Google Vids, y después llegará el acceso para empresas a través de Gemini Enterprise. Esas integraciones señalan los casos de uso que le importan a Google: diseño y marketing, localización de vídeo, producción de pódcast y atención al cliente automatizada.

El panorama competitivo está abarrotado, pero no decidido. ElevenLabs construyó un negocio sobre la calidad de voz y la clonación, y no cederá ese terreno fácilmente. Los modelos abiertos han abaratado la síntesis básica. Lo que aporta Google es escala, cobertura de idiomas y un ecosistema de desarrolladores, y lo que le falta, por ahora, es la trayectoria en voz que tienen los especialistas.

Para quien construye con voz, la pregunta práctica es si los controles de consentimiento y las puntuaciones de los benchmarks de Google merecen un cambio de proveedor. Para el resto, la pregunta más importante es qué significa una función de clonación a partir de 30 segundos cuando la ofrece una de las mayores empresas del mundo. Google ha respondido a la primera. La segunda sigue sin resolverse.

Portada: la oficina de Google en 6 Pancras Square, en Londres, sede de Google DeepMind. Imagen de Gciriani, vía Wikimedia Commons, bajo licencia CC BY-SA 4.0.