Try AI Narrator Free
Sign up free — no credit card required. Turn your documents into natural-sounding audio in minutes.
Sign Up FreeTry AI Narrator Free
Experience the voices mentioned in this article. Install the Google Docs add-on and generate audio from any document in seconds.
Browse All VoicesExplorar otras categorías
Mejores prácticas de Gemini TTS: Genera audio consistente y expresivo cada vez
Tip
Resumen rápido: Los modelos Gemini TTS (2.5 Flash, 2.5 Pro y 3.1 Flash) son fundamentalmente diferentes del TTS tradicional: son modelos de lenguaje grande que generan audio. Esto significa que tus avisos, selección de voz y etiquetas en línea tienen un impacto enorme en la calidad de salida. Esta guía cubre los cinco pilares de una generación de audio consistente: Preajustes, selección de voz, etiquetas de emoción, avisos del sistema y barandillas.
Los modelos Gemini TTS de Google han redefinido lo que es posible con la síntesis de voz por IA. A diferencia de los motores de texto a voz convencionales que simplemente leen texto en voz alta, los modelos Gemini TTS se basan en la misma arquitectura de modelo de lenguaje grande que impulsa a Gemini: entienden qué decir, quién lo dice y cómo debe sonar.
Pero este poder conlleva complejidad. Si has obtenido resultados inconsistentes —a veces brillantes, a veces planos—, esta guía te mostrará por qué y exactamente cómo solucionarlo.
Antes de profundizar en cada mejor práctica, entiende que Gemini TTS opera en tres palancas interconectadas. Las tres deben estar alineadas para obtener una salida predecible y de alta calidad:
La salida de Gemini TTS está impulsada توسط tres palancas que funcionan juntas. Alinear las tres es la forma más rápida de obtener resultados predecibles:
Indicación de estilo (Instrucción del sistema)
El principal impulsor del tono emocional general y el estilo de entrega. Establece el contexto para todo el segmento.Contenido de texto (Transcripción)
El significado de las palabras en sí. El texto emocionalmente rico le da al modelo más con qué trabajar que el texto neutral.Etiquetas en línea (Marcado)
Modificadores entre corchetes como [whispers] o [laughs] para un control localizado sobre frases específicas, trabajando con la indicación de estilo.
Warning
1. Preajustes de audio — Su base de consistencia
Los preajustes de audio son bloques de configuración reutilizables que definen quién está hablando, dónde están y cómo deben actuar. Piense en ellos como una "configuración de director" guardada que garantiza que cada generación del mismo guion suene como si viniera de la misma sesión de grabación.
Anatomía de un preajuste de Gemini TTS
# PERFIL DE AUDIO: Nova
## "La anfitriona de la mañana"
## LA ESCENA: Estudio de transmisión de radio en vivo
[Un estudio cálido y acogedor con una suave luz matutina.
Nova está relajada, segura y atractiva — ella
habla directamente al oyente como a una amiga.]
### NOTAS DEL DIRECTOR
Estilo: Cálido, conversacional, ligeramente optimista
Ritmo: Medio — no apresurado, no lento
Acento: Inglés americano, neutral
Tono: Amistoso y accesible, como hablar con
un amigo cercano tomando un café
- Reproducibilidad: El mismo preajuste aplicado a diferentes transcripciones produce audio que suena como el mismo hablante en la misma sesión.
- Flujos de trabajo de múltiples hablantes: Defina un preajuste por hablante (entrevistador, invitado, narrador) para mantener voces distintas en todos los episodios.
- Deriva de indicación reducida: Sin un preajuste, el modelo infiere el estilo solo a partir del texto, lo que se desvía a lo largo de un proyecto largo.
- Iteración más rápida: Una vez que un preajuste suena bien, solo ajustas la transcripción, sin reinventar la voz cada vez.
Mejores prácticas para preajustes
- Dale un nombre al personaje. Anclar el modelo con un nombre ("Nova", "Dr. Claire", "Marcus") une la actuación.
- Define la identidad, no solo el tono. "DJ de radio" o "narrador de documentales" le da al modelo un arquetipo de interpretación al que aferrarse.
- Sé específico sobre el entorno. Una "cafetería concurrida por la mañana" frente a un "estudio tranquilo" produce diferentes perfiles acústicos.
- Incluye notas del director. Aborda explícitamente el estilo, el ritmo, el acento y el tono en lugar de dejarlos al azar.
- Mantén los preajustes concisos. Un preajuste enfocado es más fácil de seguir de manera consistente para el modelo.
2. Selección de voz: emparejar la voz con el personaje
¿Quieres escuchar estas voces tú mismo?
Pruebe nuestro Narrador AI gratis ahora mismo. No es necesario registrarse.
2. Selección de voz — Combinar la voz con el personaje
| Nombre de voz | Género | Mejor para | Características |
|---|---|---|---|
| Kore | Femenino | Narración cálida, podcasts | Amigable, cálido, accesible |
| Puck | Masculino | Contenido optimista, promos | Enérgico, seguro |
| Encélado | Masculino | Narración tranquila, audiolibros | Susurrado, introspectivo |
| Aoede | Femenino | Presentaciones profesionales | Claro, pulido |
| Fenrir | Masculino | Narración dramática | Poderoso, intenso |
| Orus | Masculino | Contenido técnico | Preciso, medido |
Opciones de voz disponibles (Gemini TTS)
- Asocia la voz al estilo preestablecido. Si tu estilo preestablecido describe a un personaje cansado e introspectivo, elige una voz más susurrada como Encélado en lugar de una alegre.
- Prueba las voces en el entorno de pruebas. Escucha cómo maneja cada voz una variedad de prompts antes de comprometerte.
- Usa la sinergia de voz y prompt. Una voz profunda y autoritaria combinada con un prompt de estilo autoritario refuerza el efecto.
- Evita prompts de edad o tono no coincidentes. Pedirle a una voz profunda que suene como un niño pequeño produce resultados extraños.
- Bloquea una voz por personaje. En contenido con múltiples locutores, asigna una voz por locutor y no la cambies a mitad del proyecto.
Info
Mejores prácticas de selección de voz
3. Etiquetas de emoción en línea: El sistema de [corchetes]
3. Etiquetas de emoción en línea — El sistema [Bracket]
Gemini TTS admite etiquetas de marcado en línea — anotaciones entre corchetes integradas directamente en su transcripción que modifican la entrega de frases específicas. Esta es la característica más poderosa para un control granular.
| Etiqueta | Efecto | Fiabilidad |
|---|---|---|
| [suspiro] | Inserta un sonido de suspiro | Alto |
| [risas] | Inserta una risa | Alto |
| [ehm] | Inserta una vacilación | Alto |
| [suspiro] | Inserta un suspiro de sorpresa | Alto |
| [tos] | Inserta un sonido de tos | Medio |
La investigación de Google Cloud muestra que las etiquetas entre corchetes operan en tres modos distintos:
| Etiqueta | Efecto | Fiabilidad |
|---|---|---|
| [susurros] | Interpretación susurrada | Alto |
| [con emoción] | Tono emocionado y enérgico | Alto |
| [aburrido] | Interpretación plana y desinteresada | Alto |
| [con calma] | Interpretación relajada y medida | Alto |
| [lentamente] | Ritmo más lento | Alto |
| [rápido] | Ritmo más rápido | Alto |
| [pausa] | Breve pausa antes de continuar | Alto |
La etiqueta se reemplaza por una vocalización audible y no verbal. La etiqueta en sí no se pronuncia.
La misma frase se puede expresar de formas muy diferentes según las etiquetas:
Modo 2: Modificadores de estilo
La etiqueta cambia la forma en que se entrega el texto siguiente — tono, ritmo, énfasis.
¿Listo para probar AI Narrator?
Comienza a convertir tus Google Docs en audio profesional hoy. ¡Gratis para siempre!
Agregar al Doc - Es gratis- Usa etiquetas para momentos localizados, no para el tono general. Establece el tono general con el mensaje del sistema; usa etiquetas para una risa aquí, un susurro allá.
- No abuses de las etiquetas. Demasiadas etiquetas en un pasaje corto suenan antinaturales. Intenta usar una o dos por párrafo.
- Mantén las etiquetas alineadas con el mensaje y el texto. Una etiqueta [cheerful] en una escena que el mensaje describe como sombría entrará en conflicto con el resultado.
- Prueba primero las nuevas etiquetas. Una etiqueta que esperas que sea un modificador de estilo puede ser pronunciada como texto literal. Pruébala en un entorno de pruebas antes de usarla en producción.
Modo 3: Ritmo y énfasis
Etiquetas que controlan la velocidad y el énfasis de la locución.
Eres un guionista y director de audio.
Tengo un contexto pero no una transcripción.
TAREA:
1. Escribe un guion atractivo basado en el contexto.
2. Formatea la salida como un prompt de TTS estructurado.
FORMATO DE SALIDA:
# PERFIL DE AUDIO: [Nombre]
## "[Título]"
## LA ESCENA: [Escena]
[Descripción]
### NOTAS DEL DIRECTOR
Estilo: [Estilo]
Ritmo: [Ritmo]
Acento: [Acento]
Ejemplos de etiquetas en el mundo real
- Sé específico, no genérico. «Habla como un locutor de radio de la década de 1940» es mejor que «habla de forma anticuada».
- Ambientá la escena. El contexto ambiental (un aeropuerto concurrido, un estudio tranquilo) guía la interpretación acústica.
- Define el estado emocional del personaje. «Nova está relajada y segura» le da al modelo una base para cada línea.
- Incluye detalles de entrega. Menciona el ritmo, las pausas y la textura vocal. "Ligeramente entrecortado, ritmo medido" es más útil que "calmado".
- Mantén las indicaciones consistentes en toda una serie. Para un podcast, usa la misma indicación del sistema para cada episodio.
// Predeterminado — sin etiquetas
Hola, soy un nuevo modelo de texto a voz. ¿Cómo puedo
ayudarte hoy?
// Entusiasmado
[excitedly] Hola, soy un nuevo modelo de texto a voz!
¿Cómo puedo ayudarte hoy?
// Aburrido
[bored] Hola, soy un nuevo modelo de texto a voz...
¿Cómo puedo ayudarte hoy?
// Sarcástico con pausa
[sighs] Hola... [pause] Soy un nuevo modelo de texto a voz.
[pause] ¿Cómo puedo ayudarte hoy?
// Susurrado con risa
[whispers] Hola... [laughing] Soy un nuevo modelo de texto a voz.
¿Cómo puedo ayudarte hoy?
Mejores prácticas para etiquetas
| Consideración | Impacto | Mitigación |
|---|---|---|
| Salidas largas | La calidad puede desviarse en generaciones únicas muy largas | Divide las transcripciones en puntos de ruptura naturales y une el audio en la postproducción |
| Discrepancia de voz con la indicación | Es posible que el audio no coincida con el hablante previsto | Mantén el preajuste, la voz y la indicación alineados |
| Etiquetar la vocalización | Algunas etiquetas pueden pronunciarse como texto literal | Prueba las etiquetas en el entorno de pruebas antes de la producción |
| Límites de velocidad y cuotas | Limitación de la API en uso de alto volumen | Utiliza el nivel de modelo adecuado y pon las solicitudes en cola |
4. Instrucciones de sistema: dirigiendo la interpretación
La instrucción de sistema (también llamada "style prompt") es la palanca más importante para la consistencia general. Le indica al modelo quién habla, dónde está y cómo debe entregar el contenido.
Estructura de la instrucción de sistema
- Preajustes — Define quién, dónde y cómo (reutilizable por hablante)
- Selección de voz — Relaciona las características vocales con tu personaje
- Etiquetas en línea — Control granular por frase (usar con moderación, probar primero)
- Indicaciones del sistema — Establece el tono general, la escena y el estilo de interpretación
- Medidas de seguridad — Divide contenido largo, prueba etiquetas, alinea la voz con la indicación
Note
Mejores prácticas para instrucciones de sistema
Guías relacionadas
- Mejores APIs de voz con IA en 2026 — Comparación completa de todos los proveedores de APIs TTS
- Guía de clonación de voz con IA — Clona cualquier voz con instrucciones paso a paso
- AI Narrator vs ElevenLabs — Comparación directa de calidad y precios
Escucha tu propio texto leído en voz alta — gratis, aquí mismo
Pega cualquier texto y escúchalo en más de 50 voces de AI naturales. No se requiere descarga ni registro.
Abrir la herramienta TTS gratuitaDisclosure
Some of the tools compared on this site — including AI Narrator — are our own products. We review them on the same footing as competitors, on current pricing and hands-on testing, and always tell you when a product is ours.