Acabas de grabar una narración de tres minutos para un producto y, ya montada en el video, notas el problema: revisaste toda la biblioteca de voces integrada y ninguna se parece a la que tenías en la cabeza. Demasiado joven, demasiado tono de locutor, el acento tampoco encaja.

Mucha gente, al llegar a este punto, hace lo mismo: busca la clonación de voz y toma una grabación como plantilla. Pero lo que viene después no suele ser un problema técnico, sino otro: ¿de quién es esa voz? ¿Lo sabe esa persona?

Sam Witteveen, en su video de YouTube Gemini 3.8 Flash TTS with Voice Cloning, trata las dos cuestiones en la misma pieza. Este artículo reorganiza los puntos del video y añade lo que conviene tener claro antes de usarlo.

Dos modelos nuevos, con funciones distintas

Según el video, Google lanzó dos modelos de texto a voz: Gemini 3.8 Flash TTS y Gemini 3.8 Flash Light TTS.

Su orientación es diferente. Flash TTS apunta a la creación: voces de personajes, audiolibros, pódcast, videojuegos. Flash Light apunta a la producción en volumen: doblaje, grandes cantidades de audio y agentes de voz, es decir, los casos en que el costo importa más que pulir cada palabra.

Google lo presenta como el modelo de voz más expresivo hasta ahora. La postura del autor del video es que eso es en parte cierto, pero que los números independientes son más divididos que lo que muestra el blog oficial. Conviene recordar esa frase, porque volveremos a ella.

En lugar de elegir una voz, describirla

Lo que el video considera más llamativo es el diseño de voz. No hace falta escoger de una lista fija: describes con palabras la voz que quieres, con rasgos como el personaje, el acento o la edad, y el modelo la genera. El video indica que admite más de 100 idiomas.

El autor también señala dónde suelen atascarse estos modelos: ninguna voz predeterminada sirve y al final se recurre a la clonación. Su método es generar varias voces sintéticas con descripciones ligeramente distintas, quedarse con la mejor y clonar esa voz artificial. La ventaja es que lo clonado no es una persona real.

Además, la biblioteca incluye más de 2.000 voces y numerosos acentos regionales, que se pueden ajustar y guardar para reutilizarlas.

El video muestra un personaje de astrónomo: más de sesenta años, acento británico. El comentario del autor es sensato: suena algo a narración de documental, pero la voz le parece bastante más joven que la edad indicada. Es un recordatorio de que describir no garantiza el resultado y de que hay que escuchar antes de decidir.

Dirigir frase por frase, y diálogo entre dos personas

Una vez elegida la voz, puedes dar indicaciones de interpretación en cada frase: esta en susurro, esta con prisa, esta con un toque de sarcasmo. Dentro del texto también se pueden insertar etiquetas no verbales, como suspiros, risas o inhalaciones.

El video probó la misma frase en tres estilos: neutro, entusiasmado y nervioso casi en susurro, y al autor le sonaron muy distintos. Le gustó especialmente que el estilo afecte a la duración del audio, en lugar de forzar el contenido a una duración fija.

Además, una sola llamada a la API admite dos hablantes, cada uno con su propio estilo. Google afirma que en grabaciones largas la voz se mantiene estable y no se desvía. El autor cuenta que últimamente ha encontrado, en algunos TTS de código abierto, textos largos que se van deformando conforme avanzan, así que este punto le resulta atractivo. Eso sí, su impresión de la demostración a dos voces es que suena a un programa generado automáticamente al estilo NotebookLM.

Clonación de voz: muestra de 30 segundos y una grabación de consentimiento

Llegamos a la parte más sensible del video. Según explica, se proporciona una muestra de unos 30 segundos para que el sistema genere esa voz.

Pero el proceso incluye un filtro: la persona que va a ser clonada debe grabar una declaración de consentimiento, y esa declaración debe coincidir con la del hablante de referencia para que el sistema produzca la voz copiada. El video también menciona que cada salida lleva una marca de agua SynthID y una credencial C2PA.

El video señala además que la función de clonación de voz en AI Studio no está disponible, por requisitos legales, en bastantes países ni en algunos estados de Estados Unidos. Eso muestra que hasta Google trata el asunto con mucho cuidado. Si está disponible en Taiwán, el video no lo dice y este artículo tampoco lo ha verificado; confírmalo por tu cuenta antes de usarlo.

El resultado de la prueba del autor fue algo inesperado: al clonar su propia voz con 30 segundos, le sonó con una diferencia bastante grande, y supone que una referencia más larga funcionaría mejor. También opina que Qwen TTS, de código abierto, sigue siendo muy fuerte en clonación, pero que en generar voces a partir de una descripción Gemini lleva ventaja.

Una pausa: consentimiento, suplantación y qué te corresponde hacer

Este apartado no es el núcleo del video, pero es la parte de la que tú eres responsable.

El mayor riesgo de la clonación de voz no es que no suene lo bastante parecida, sino que suene demasiado. Una voz se puede usar para suplantar a otra persona, para estafar o para hablar en su nombre sin que lo sepa. Que Google convierta la grabación de consentimiento en parte del flujo técnico se debe precisamente a que las consecuencias de estos abusos son graves.

Si vas a usar la clonación de voz, al menos haz esto:

Uno, clona solo tu propia voz, o consigue una autorización escrita, explícita y conservable del dueño de la voz, que deje claros el uso, el alcance y el plazo.

Dos, no clones la voz de famosos, compañeros, clientes ni de ningún tercero, aunque sea solo para hacer una prueba.

Tres, si el audio se publica, indica de forma proactiva que es sintético y conserva los documentos de autorización y el registro de generación.

Cuatro, si puedes usar el diseño de voz para crear una voz sintética que no pertenezca a nadie, normalmente es más seguro que clonar a una persona real.

Lo anterior es un recordatorio general sobre riesgos y no constituye asesoría legal. Las normas sobre imagen, voz y datos personales varían según el lugar; antes de un uso comercial, consulta con un profesional jurídico.

Pruebas de referencia: cómo leer el "primer puesto"

Volvamos a la frase de antes. El video dice que los números de Google se apoyan sobre todo en el benchmark de Hume AI, y que Flash TTS ocupa el primer lugar en el benchmark de diseño de voz de Hume, especialmente en acentos.

Luego el autor señala un conflicto de intereses: uno de los dos autores de ese blog fue, hasta enero de este año, director ejecutivo y científico jefe de Hume AI; en aquel momento Google DeepMind licenció la tecnología de Hume y contrató a un grupo de personas de esa empresa. El autor subraya que no dice que las cifras sean erróneas, sino que evaluar con un benchmark diseñado por uno mismo no es necesariamente la mejor forma de juzgar.

Una referencia más independiente es la clasificación Elo de preferencias de Artificial Analysis: Gemini 3.8 Flash TTS queda en segundo lugar y Flash Light en sexto, con Flash justo por delante del nuevo Audio 3 TTS Plus de Qwen. El video afirma que Gemini destaca en los aspectos relacionados con la pronunciación, algo importante para agentes de voz que deben leer números y códigos. En multilingüe, Google es fuerte, pero Cartesia y ElevenLabs también avanzan rápido.

En cuanto al precio, lo que dice el video es que Google queda en el medio: más ventajoso que algunos planes de Cartesia y ElevenLabs, y también que Minimax, pero lejos de ser lo más barato. Más curioso aún: Flash Light no es mucho más barato que Flash, a diferencia de lo que ocurre con las versiones de los modelos de texto. Tras escucharlos, la impresión del autor es que Light tiende a ser más perezoso y a alargarse más, y que Flash cuesta alrededor de un 50 % más, así que, salvo para contenido largo, probablemente elegiría el de mejor calidad de sonido.

Cierre: cambiar la pregunta

Volvamos a la narración de tres minutos del principio.

Creías que el problema era qué voz se parece más. El video solo demuestra el flujo de diseño por descripción y de clonación; la recomendación de este artículo es esta: primero diseña con una descripción una voz que no pertenezca a nadie y, cuando necesites clonar, que sea solo la tuya o la de alguien que te haya autorizado de forma explícita.

La próxima vez que te canses de recorrer la biblioteca de voces, hazte dos preguntas: ¿de quién es esta voz? ¿Esa persona está de acuerdo? Cuando tengas respuesta para ambas, entonces habla de cuánto se parece.

Preguntas frecuentes (FAQ)

P1: ¿En qué se diferencian Gemini 3.8 Flash TTS y Flash Light TTS? Según el video, Flash se orienta a la creación, como personajes, audiolibros, pódcast y videojuegos; Flash Light, a la producción en volumen, como doblaje y agentes de voz. El video añade que la diferencia de precio es pequeña y que Flash cuesta alrededor de un 50 % más.

P2: ¿Qué muestra necesita la clonación de voz? El video demuestra una referencia de unos 30 segundos y exige que la persona clonada grabe una declaración de consentimiento. El autor cree que una muestra más larga podría funcionar mejor, pero es una suposición suya, no una garantía oficial.

P3: ¿Puedo clonar la voz de otra persona? No se debe hacer a la ligera. Hace falta autorización explícita de la persona; el flujo del video también exige que ella grabe una declaración de consentimiento y que se compare con la voz de referencia. Copiar la voz de alguien sin su consentimiento puede implicar suplantación y otros problemas legales.

P4: ¿Puedo usar la clonación de voz en mi región? El video indica que esta función de AI Studio no está disponible en bastantes países ni en algunos estados de Estados Unidos. Si está disponible en Taiwán, este artículo no lo ha verificado; guíate por la información oficial de Google.

Declaración de fuentes

Este artículo es una reescritura y síntesis, no una traducción literal. El contenido se reorganiza a partir del video de YouTube indicado abajo. Las afirmaciones sobre personas y pruebas de referencia son opiniones de quien habla en el video y se indican como tales; en la transcripción no se observa ninguna divulgación de patrocinio. Las descripciones de precio son solo comparaciones relativas, sin precios de lista concretos; consulta las páginas oficiales. La transcripción usada estaba en árabe y no en el subtitulado original en inglés, por lo que nombres de personas, empresas y modelos podrían estar transcritos o traducidos con errores. Los recordatorios de riesgo sobre la clonación de voz son generales y no constituyen asesoría legal. Título del video: Gemini 3.8 Flash TTS with Voice Cloning. Canal: Sam Witteveen. Enlace: https://www.youtube.com/watch?v=GDUBXR-ql78. Fecha de publicación: 2026-09-24.

Para seguir leyendo

En nuestro sitio hemos publicado artículos relacionados: Gemini 3.8 Live y el pensamiento extendido, sobre cómo elegir un agente de voz; cómo crear un agente de voz con IA en tiempo real usando la Gemini Live API; los precios de la API de Gemini en 2026 para Flash, Pro y Flash-Lite; y una guía de precios por tokens de Gemini.

Antes de volver a elegir una voz

Si quieres ver en un mismo lugar la lista de modelos, el saldo y el uso, puedes visitar AI Token King en aitokenking.com.tw/home. Si los modelos de voz mencionados en este artículo se pueden llamar a través de esa plataforma, guíate por su lista oficial de modelos.