Google anunció el 23 de septiembre dos modelos estables de texto a voz para la API de Gemini: Gemini 3.8 Flash TTS, orientado a máxima fidelidad y actuación, y Gemini 3.8 Flash-Lite TTS, pensado para volumen, baja latencia y menor costo. El changelog técnico registra su disponibilidad general el 22 de septiembre. La documentación consultada el 24 de septiembre muestra 130 idiomas para Flash y 101 para Lite. El guaraní aparece en la lista del modelo Flash; eso no equivale a una voz paraguaya validada ni garantiza pronunciación local perfecta.

Dos modelos para trabajos distintos

Según la ficha oficial de Gemini 3.8 Flash TTS, el modelo principal apunta a audiolibros, narración de estudio, diálogos complejos con varios hablantes, acentos regionales y pronunciación difícil. Acepta indicaciones de estilo por turno y eventos en línea como risas, suspiros o pausas cortas. Google también dice que mantiene identidad, timbre, volumen y ambiente acústico en narraciones largas.

Flash-Lite comparte el esquema de API, pero prioriza producción masiva, lectura en voz alta, agentes de voz en cascada y trabajos cotidianos de un hablante. Google lo recomienda como reemplazo de `gemini-3.1-flash-tts-preview`. Tener el mismo esquema simplifica comparar resultados sin reconstruir toda una integración, aunque la migración exige actualizar el nombre del modelo y revisar cambios de formato.

Ambos reciben texto y devuelven audio. Tienen un límite documentado de 8.192 tokens de entrada y 16.384 de salida, admiten caché y procesamiento por lotes, pero no ofrecen en ese endpoint búsqueda, llamadas a funciones, razonamiento, contexto de URL ni Live API. Por eso no conviene confundirlos con un agente de conversación en tiempo real: son motores de síntesis que una aplicación debe orquestar.

Precios promocionales que cambian en enero

La tabla oficial de precios de la API usa tokens, no minutos garantizados, y distingue texto de entrada y audio de salida. Para Flash-Lite en modalidad estándar, hasta el 31 de diciembre de 2026 el nivel pago cuesta US$0,50 por millón de tokens de texto y US$6 por millón de tokens de audio. Desde el 1 de enero de 2027, esos valores anunciados suben a US$1 y US$12, respectivamente.

El precio promocional y su fecha límite importan al calcular un servicio que continuará en 2027. La modalidad Batch reduce a la mitad el precio de entrada de Lite —US$0,25 por millón hasta fin de 2026—, pero no sirve para todos los casos interactivos. La página también muestra un nivel gratuito; Google indica que los datos del nivel gratuito pueden usarse para mejorar sus productos, mientras que en el nivel pago señala que no.

Los costos reales dependen de duración, volumen, reintentos, almacenamiento en caché y procesamiento. Un prototipo gratuito no representa necesariamente la factura ni las condiciones de privacidad de producción. Antes de presupuestar, medí tokens con muestras reales y repetí el cálculo usando las tarifas que regirán desde enero.

Idiomas, guaraní y el límite de la etiqueta

Flash enumera español y guaraní entre 130 idiomas; Lite enumera español entre 101, pero la lista consultada no incluye guaraní. Esa diferencia vuelve a Flash el candidato documentado para probar contenido en guaraní. Sin embargo, “compatible” no demuestra calidad para variedades paraguayas, nombres propios, alternancia entre castellano y guaraní ni vocabulario técnico local.

Google afirma que Flash admite acentos regionales, dialectos minoritarios y correcciones mediante el Alfabeto Fonético Internacional. Aun así, una organización paraguaya debería preparar un conjunto de evaluación con locutores locales: topónimos, apellidos, números, siglas, jopara y cambios de idioma. La revisión tiene que cubrir inteligibilidad y naturalidad, pero también que el tono no deforme mensajes institucionales o educativos.

La documentación no presenta una lista de regiones de facturación que confirme expresamente “Paraguay” para estos modelos. El acceso práctico depende de Google AI Studio o la API, cuenta, proyecto, facturación y políticas aplicables. No afirmamos disponibilidad comercial local universal.

Qué pueden construir los equipos

El nivel Flash puede servir para una narración donde importan actuación, continuidad y pronunciación. Lite encaja mejor cuando una empresa necesita muchas lecturas breves o respuestas de voz y acepta medir si la calidad basta. Un medio podría generar borradores de audio; una plataforma educativa, lecturas accesibles; un servicio, mensajes hablados. En todos los casos, una persona debe aprobar pronunciación, cifras y sentido antes de publicar.

La clonación o replicación de voz exige especial cuidado. Google documenta un ecosistema de voces prediseñadas, diseño de voz y replicación, pero disponer de la capacidad técnica no otorga consentimiento sobre la identidad vocal. Usá voces propias o autorizadas, registrá el permiso y comunicá cuándo el audio es sintético. No imites a una persona sin autorización.

Para comparar modelos, mantené constante el guion y evaluá pronunciación, estabilidad, latencia, costo y fallas. Probá además entradas adversas: abreviaturas, fechas, moneda, comillas y palabras en dos idiomas. Evitá decidir solo por una demostración cuidada del proveedor.

También separá la generación del control editorial. Guardá el texto fuente, la versión del modelo y la configuración utilizada para poder reproducir una pieza. Si corregís pronunciación con símbolos fonéticos, documentá esa excepción en vez de depender de una edición manual imposible de rastrear. En atención al cliente, avisá que la voz es sintética y ofrecé una vía alternativa cuando el reconocimiento o la síntesis fallen. En contenidos públicos, escuchá el archivo completo: una voz estable durante los primeros segundos no demuestra que conserve nombres, ritmo y volumen a lo largo de varios minutos.

Qué conviene observar

Google deberá aclarar más sobre disponibilidad regional, cuotas y desempeño verificable por idioma. También conviene monitorear el cambio de precios del 1 de enero de 2027 y cualquier actualización de la lista de lenguas.

La novedad ofrece una elección comprensible: Flash para fidelidad y cobertura, Lite para escala. Para Paraguay, la inclusión documentada del guaraní en Flash abre una prueba valiosa, no una conclusión. Probá con voces y textos locales, presupuestá con la tarifa futura y mantené autorización y revisión humana como requisitos.

Fuentes