Olá, é um prazer inenarrável estar mais uma vez escrevendo este post.
Tempo de leitura: 5 minutos
A geração de voz por inteligência artificial está deixando para trás o modelo de escolher uma voz pronta e simplesmente apertar “gerar”. Em um anúncio publicado em 23 de setembro de 2026, o Google apresentou o Gemini 3.8 text-to-speech, uma nova geração de modelos voltada à criação de vozes personalizadas e à direção detalhada de diálogos.
A proposta é transformar a síntese de fala em algo mais próximo de um estúdio de produção: o usuário pode definir características da voz, orientar a interpretação linha por linha e criar conversas com dois personagens. Mas a novidade não está apenas em fazer a voz soar mais natural. O ponto mais interessante é o controle oferecido antes e durante a geração do áudio.
O que é o Gemini 3.8 text-to-speech
O Google anunciou dois modelos com objetivos diferentes: o Gemini 3.8 Flash TTS, voltado à criação de vozes e performances mais elaboradas, e o Gemini 3.8 Flash-Lite TTS, projetado para aplicações de maior volume e custo otimizado.
O Flash TTS foi apresentado como uma opção para criar vozes de personagens, narradores, podcasts, audiolivros, jogos e experiências interativas. Já o Flash-Lite TTS mira casos como dublagem em escala, produção de conteúdo e agentes de voz que precisam responder a muitas solicitações.
Os modelos fazem parte da expansão da família de áudio Gemini. Em aplicações conversacionais, eles podem complementar soluções como o Gemini 3.8 Live, que foi apresentado pelo Google para conversas de voz mais naturais e com raciocínio em segundo plano.
Gemini 3.8 text-to-speech permite criar vozes do zero
Uma das principais novidades é a possibilidade de descrever uma voz usando linguagem natural. Em vez de escolher apenas entre presets, o usuário pode indicar o papel do personagem, o sotaque e outras características vocais. O material divulgado pelo Google afirma que o sistema oferece suporte a mais de 100 idiomas e dialetos.
Também há uma biblioteca com mais de 2.000 vozes prontas para produção, incluindo variedades regionais como espanhol mexicano, francês do Quebec e inglês escocês. A empresa ainda afirma que será possível salvar vozes personalizadas para manter maior consistência entre diferentes projetos.
Outra função anunciada é a replicação de voz a partir de uma amostra de 30 segundos. Esse recurso exige uma gravação de consentimento verbal correspondente ao proprietário da voz. A disponibilidade da replicação pelo Google AI Studio, porém, possui restrições regionais e não está disponível em Illinois, Texas, Espaço Econômico Europeu, Reino Unido, Suíça e Índia, segundo a observação incluída no anúncio.
Gemini 3.8 text-to-speech controla cada linha do diálogo
A geração de áudio também pode ser orientada linha por linha. O usuário pode incluir instruções sobre ritmo, emoção, sotaque, pausas e forma de interpretação. Assim, uma mesma voz pode falar como um atendente calmo em uma cena e adotar um tom sussurrado em outra.
O sistema ainda aceita indicações de sons não verbais, como risadas, suspiros e suspiros de surpresa, além de interjeições associadas à escuta ativa. Esses pequenos elementos ajudam a evitar aquela sensação de áudio perfeitamente pronunciado, mas completamente sem vida.
O Google também destaca a geração de conteúdos longos com menor variação no timbre do personagem, além de cenas com dois interlocutores. A partir de um único roteiro, seria possível orientar conversas com alternância natural entre as vozes, algo útil para podcasts, audiolivros, roteiros dramáticos e agentes de voz.
Gemini 3.8 text-to-speech chega com recursos de segurança
A criação e a replicação de vozes trazem um problema óbvio: uma tecnologia capaz de imitar uma pessoa também pode ser usada para enganar outras. Por isso, o Google afirma que adotou mecanismos de consentimento para a replicação e incluiu credenciais C2PA para ajudar a registrar a origem do conteúdo.
Além disso, os áudios gerados pelos modelos de áudio Gemini recebem uma marca d’água imperceptível do SynthID. De acordo com o Google, essa marca foi incorporada ao áudio para permitir a identificação de conteúdo gerado por IA e dificultar usos relacionados à desinformação.
Essas medidas não eliminam todos os riscos. Uma marca d’água e uma etapa de consentimento precisam ser acompanhadas por regras de uso, fiscalização e responsabilidade de quem publica ou distribui o áudio. Ainda assim, a presença desses mecanismos mostra que a replicação de voz não está sendo tratada apenas como uma questão de qualidade técnica.
Onde usar o Gemini 3.8 text-to-speech
O Gemini 3.8 Flash TTS começou a ser disponibilizado para desenvolvedores pela Gemini API e pelo Google AI Studio. O Google também indicou a chegada ao Gemini Notebook para o público geral, enquanto o acesso via Gemini Enterprise foi apresentado como futuro.
O Flash-Lite TTS segue caminho semelhante para desenvolvedores, com acesso pela API e pelo AI Studio, e foi indicado para uso no Google Vids. Plataformas como Agora, LiveKit, Pipecat e Vercel também foram citadas como opções de integração para construir experiências de voz.
Na prática, isso coloca a tecnologia em uma faixa que vai de experimentos individuais a produtos com maior escala. Um criador pode testar uma voz de personagem em um roteiro curto, enquanto uma empresa pode avaliar o modelo para dublagem, atendimento automatizado ou interfaces de voz multilíngues.
O que o lançamento representa
O anúncio indica uma mudança importante na síntese de fala: a voz deixa de ser apenas a saída final de um texto e passa a ser parte do processo criativo. O usuário não define somente o que será dito, mas também quem está falando, com qual intenção e em que ritmo.
O Google afirma que os novos modelos alcançaram posições de destaque em avaliações da Hume AI e da Voice Arena, incluindo testes de design de voz, qualidade geral e modelagem de sotaques. Esses resultados são declarações baseadas nas avaliações citadas pela própria empresa e ainda precisam ser analisados em diferentes condições de uso.
O desafio, portanto, não termina quando a voz fica convincente. Será necessário verificar consistência em projetos longos, custos de operação, disponibilidade regional e eficácia dos mecanismos de consentimento. O Gemini 3.8 text-to-speech parece querer transformar a criação de áudio em uma atividade tão editável quanto escrever um roteiro, mas a confiança no resultado dependerá tanto da qualidade da voz quanto da transparência sobre sua origem.
