Nova IA de voz do Google lidera um ranking, mas fica atrás em outros

Resumo

• O Google lançou o Gemini 3.8 Flash TTS e o Flash-Lite TTS em 23 de setembro de 2026, para gerar fala a partir de texto.
• Os modelos suportam vozes personalizadas e instruções de tom, ritmo e entrega. A replicação de voz exige uma gravação de consentimento do dono da voz.
• Nos testes da Hume AI, o Flash TTS ficou em primeiro lugar em design de voz, mas seus resultados variaram entre as tarefas, incluindo um desempenho mais fraco na correspondência entre uma voz clonada e seu falante original.
• Nas tarifas pagas do plano Standard listadas em 28 de setembro, a geração de áudio custa aproximadamente 1,4 centavo de dólar por minuto no Flash TTS e 0,9 centavo no Flash-Lite TTS até 31 de dezembro. O processamento de texto é cobrado à parte.

O que aconteceu

O Google lançou dois modelos que transformam roteiros escritos em áudio falado, com instruções controlando como as falas são entregues. O Gemini 3.8 Flash TTS e o Flash-Lite TTS começaram a ser disponibilizados em 23 de setembro pela API Gemini e pelo Google AI Studio, segundo o anúncio do Google.

O Google posiciona o Flash TTS para narração, performances expressivas e diálogos complexos, e o Flash-Lite TTS para geração de fala em maior volume. A documentação para desenvolvedores lista suporte a 130 idiomas no Flash TTS e 101 no Flash-Lite TTS. Ambos suportam vozes predefinidas, vozes criadas a partir de descrições e replicação de voz.

O Google afirma que os usuários podem replicar uma voz a partir de uma amostra de 30 segundos. Isso exige uma gravação de consentimento verbal do dono da voz que corresponda ao falante de referência. A replicação pelo AI Studio está indisponível em Illinois, Texas, no Espaço Econômico Europeu, no Reino Unido, na Suíça e na Índia.

A empresa também afirma que ambos os modelos conseguem seguir instruções de ritmo e emoção, gerar cenas com dois falantes e incluir sons como risadas e suspiros. O áudio gerado carrega uma marca d’água inaudível SynthID; a replicação de voz também usa metadados C2PA para registrar informações sobre a origem do conteúdo.

A tabela de preços do Google, consultada em 28 de setembro, lista a saída de áudio do plano pago Standard a US$ 9 por milhão de tokens no Flash TTS e US$ 6 no Flash-Lite TTS até 31 de dezembro de 2026. Na taxa publicada de 25 tokens de áudio por segundo, isso equivale a aproximadamente 1,4 e 0,9 centavo de dólar por minuto, respectivamente. A entrada de texto é cobrada separadamente, e as tarifas de áudio listadas dobram a partir de 1º de janeiro de 2027.

O que isso significa (e o que não significa)

Os modelos dão aos desenvolvedores controles tanto sobre a voz gerada quanto sobre sua entrega. Esses controles servem a propósitos diferentes: criar um narrador fictício, por exemplo, não exige reproduzir com precisão um falante existente.

Essa distinção aparece na avaliação da Hume AI. O Flash TTS ficou em primeiro lugar geral em design de voz, mas em 11º lugar entre 13 modelos em similaridade com o falante original na replicação de voz, com nota 3,53 de cinco. Em um teste separado sobre o cumprimento de instruções de volume, sua taxa de acerto foi de 56,9%, contra 88,9% do Inworld Voice Design.

A Hume testou versões preview. Segundo a empresa, cada clipe de áudio recebeu três avaliações humanas, com as identidades dos modelos ocultas e as amostras apresentadas em ordem aleatória. A Hume revela um acordo de licenciamento não exclusivo com o Google e afirma que não compartilha seus materiais de teste reservados com as equipes de desenvolvimento dos modelos.

Esses resultados sustentam uma comparação de capacidades específicas, não a afirmação de que um modelo é o melhor para toda tarefa de geração de fala. O desempenho em design de voz, isoladamente, não comprova precisão de clonagem nem controle exato sobre todos os aspectos da entrega.

O que ainda não sabemos

O anúncio de lançamento e a documentação dos modelos analisados não informam um tempo de resposta medido sob condições especificadas. Isso deixa os desenvolvedores sem uma base clara nessas fontes para estimar atrasos conversacionais em suas próprias aplicações.

A avaliação citada também não estabelece se os resultados das versões preview se mantêm inalterados nos modelos lançados. Tampouco os rankings gerais estabelecem desempenho equivalente em todos os idiomas ou dialetos suportados.