Google lança o Gemini 3.8 Flash TTS. A voz sai do prompt — ou de 30 segundos.

O Google publicou nesta quarta (23) dois modelos de fala: o Gemini 3.8 Flash TTS e o Gemini 3.8 Flash-Lite TTS. Os dois começam a sair hoje na API do Gemini e no Google AI Studio. O Flash é o estúdio: cria uma voz do zero com um texto e, se o dono autorizar, replica outra a partir de 30 segundos de áudio. O Flash-Lite é a linha de volume, para dublagem e agente. No teste cego em português do Brasil, o barato ficou na frente.

Microfone condensador com filtro pop num estúdio escuro

Shixart1985 / Wikimedia Commons (CC BY 2.0). A foto é de janeiro de 2026, num estúdio. Não é imagem do anúncio.

Overrated

ler 71,4 no desenho de voz e achar que o Flash ganhou o português

Underrated

o Flash-Lite, a US$ 6 o milhão de tokens de áudio, na frente no teste cego em pt-BR

Dois modelos, dois trabalhos

No post, o Flash TTS desenha a voz por texto: papel, sotaque e jeito. A página da API é mais específica que o "mais de 100 idiomas" do anúncio. O gemini-3.8-flash-tts declara 130 idiomas, entre eles o português. O gemini-3.8-flash-lite-tts declara 101. Os dois detectam o idioma do texto sozinhos. O desenho de voz do zero, na página da DeepMind, é só do Flash.

A biblioteca anunciada passa de 2.000 vozes prontas, com variedades como espanhol do México, francês do Quebec e inglês escocês. O Google diz que isso escala a partir de 30 vozes originais. Remixar timbre, tom, ritmo e sotaque de uma voz da biblioteca fica para depois. Ainda não está no ar.

Replicar voz também é recurso do Flash. A amostra é de 30 segundos, da própria voz ou de uma voz com direito de uso. Antes de criar o perfil, o sistema pede uma gravação falada de consentimento do dono e só segue se ela bater com a amostra. Cada clipe dos modelos de áudio do Gemini sai com marca d'água SynthID. A voz replicada também leva credencial C2PA.

Os dois dirigem a fala linha a linha, montam cena de dois falantes a partir de um roteiro só e aceitam marca de riso, suspiro e um "mhm". A promessa de marketing é horas de áudio com pouco desvio de voz. O teto publicado da chamada é outro.

A conta, em dólar

Na tabela da API, por milhão de tokens, no plano pago padrão, até 31 de dezembro de 2026:

  • Flash TTS: entrada de texto US$ 0,50; saída de áudio US$ 9
  • Flash-Lite TTS: entrada US$ 0,50; saída US$ 6

Em 1º de janeiro de 2027 a entrada dos dois sobe para US$ 1 e a saída dobra: US$ 18 no Flash e US$ 12 no Lite. O Gemini 3.1 Flash TTS, ainda em prévia, continua em US$ 1 de texto e US$ 20 de áudio, sem essa janela de desconto.

A nota da tabela: 25 tokens de áudio por segundo. Uma hora são 90.000 tokens. Só a saída, até o fim de 2026, sai a US$ 0,81 no Flash e US$ 0,54 no Lite. Em 2027, US$ 1,62 e US$ 1,08. O texto do roteiro é cobrado à parte. Quem programa no Brasil paga isso em dólar no cartão. O câmbio fica na ponta de cá.

No plano grátis a geração não é cobrada, e a mesma página marca que esses dados são usados para melhorar os produtos. No pago, não. Quem sobe 30 segundos da própria voz no grátis entra nessa regra.

Os identificadores são gemini-3.8-flash-tts e gemini-3.8-flash-lite-tts. Lote e flex cobram metade do áudio padrão até o fim do ano: US$ 4,50 no Flash e US$ 3 no Lite. Prioridade cobra mais: US$ 16,20 e US$ 10,80.

O placar que o Google publicou

O post dá ao Flash o primeiro lugar no Voice Design Benchmark da Hume, com 71,4, e 60,8 em modelagem de sotaque. No gráfico do mesmo post, a ElevenLabs Voice Design v3 marca 70,8 no geral em inglês e a Inworld, 69,8. A distância no geral é de seis décimos. No sotaque a folga é real: 60,8 contra 45,4 e 35,8. Em qualidade de voz com uma etiqueta só, o Flash perde: 74,6, atrás de 76,6 e 76,3.

O post diz que Flash e Flash-Lite ficam em primeiro e segundo no Overall Quality Index da Hume. No gráfico, a linha Overall Reliability x Expressiveness marca 0,920 e 0,914. O 3.1 fica em 0,783. A Cartesia Sonic 3.6 marca 0,840. A ElevenLabs v3, 0,706. Na linha de controle de estilo com uma etiqueta, o Flash marca 4,34 e o 3.1 marca 4,31. O salto sobre o modelo anterior da casa, nessa linha, é de três centésimos. Na variação "parecida com humano", a ElevenLabs v3 está em 5,00 e o Flash em 4,58. A nota do gráfico diz que número mais baixo é voz mais chapada ou mais selvagem do que a de uma pessoa.

O teste cego da Voice Arena é o número que importa em português. Em português do Brasil, o gráfico do post marca o Flash-Lite em 1.134, o Flash em 1.104, o 3.1 em 1.094, a Cartesia em 1.080, a ElevenLabs em 1.040 e o gpt-4o-mini-tts da OpenAI em 946. Em inglês, o Lite também lidera (1.087). A Cartesia (1.068) passa o Flash (1.061). O Flash lidera japonês, árabe padrão e espanhol do México. No hindi, a vantagem sobre a Cartesia é de dois pontos: 1.106 a 1.104. O modelo caro não é o preferido na língua desta matéria.

O post é assinado por Leland Rechis e por Alan Cowen, diretor de pesquisa em nome do time de áudio do Gemini. No LinkedIn, Cowen se descreve como fundador da Hume AI: CEO e cientista-chefe até janeiro de 2026, quando entrou na DeepMind. O placar que o anúncio usa para dizer que o modelo é o primeiro é o da empresa que ele fundou. Os números acima são os que o Google publicou no post. A régua é da Hume.

Onze minutos, ou 43

A ficha do modelo diz que os dois TTS recebem texto de até 8K tokens e devolvem áudio de até 64K. Na página da API, esse 8K de entrada aparece como 8.192 tokens. Se o K da ficha for o mesmo, 64K são 65.536 tokens: 43 minutos e 41 segundos a 25 por segundo.

A página do Flash na API, com rodapé de 23 de setembro de 2026, escreve outro teto de saída: 16.384 tokens. Isso é 10 minutos e 55 segundos por chamada. O Lite tem os mesmos números na página irmã. As duas fontes são do Google. Quem integra deve ler o erro da API, não o adjetivo "horas" do post.

O status na página da DeepMind é disponibilidade geral. Para desenvolvedor, os dois estão na API e no AI Studio. Para todo mundo, o Flash TTS entra no Gemini Notebook e o Flash-Lite entra no Google Vids. API no Gemini Enterprise fica para depois, nos dois.

A replicação de voz pelo AI Studio não está disponível em Illinois, Texas, Espaço Econômico Europeu, Reino Unido, Suíça e Índia. O Brasil não está nessa lista. A nota não diz que a função foi ligada aqui. Diz onde ela não abre.

Fontes