Saltearse al contenido

Gemini Text to Speech

Gemini Text to Speech lee en voz alta el texto que le das con una de las treinta voces de Gemini, de Google, y te devuelve un archivo de audio WAV. Todas las voces hablan todos los idiomas: el idioma lo decide el texto. Puedes describir con palabras el tono y el ritmo. Si el texto es largo, lo divide por el final de las frases, lee cada parte y las une en un solo archivo.

Necesitas una credencial Google Gemini con tu clave de Google AI, la misma que usa el modelo Gemini. Consulta Credenciales. El texto se envía a Google para generar el audio.

No es el nodo de voz para llamadas: para hablar con quien llama en una llamada en directo, el Agente de Voz usa el nodo Gemini TTS. Este componente devuelve un archivo terminado.

Cuándo usarlo

  • Generar locuciones con un tono concreto, por ejemplo cálido y pausado.
  • Leer textos en cualquier idioma con la misma voz.
  • Permitir que un agente responda con audio, usando el componente como herramienta.
  • Generar de una vez el audio de una lista de textos con Batch Mode.

Solo genera WAV. Si necesitas un MP3, usa OpenAI Text to Speech o Inworld Text to Speech.

Configuración

CampoQué hace
API Key (obligatorio)Tu clave de Google AI. La clave se rellena sola al elegir tu credencial de Google Gemini.
Text to Speech (obligatorio)El texto que se va a leer. Puedes escribirlo o conectarlo desde otro componente.
VoiceLa voz. Por defecto, Kore. Hay treinta, como Puck, Zephyr, Charon, Leda o Aoede. Todas hablan todos los idiomas.
ModelEl modelo de voz. Por defecto, gemini-3.8-flash-tts, el más expresivo. gemini-3.8-flash-lite-tts es más barato. También están gemini-3.1-flash-tts-preview y gemini-2.5-pro-preview-tts.

Opciones avanzadas

CampoQué hace
Voice styleOpcional. Cómo quieres que suene, con palabras: “cálida y pausada”, “ágil y profesional”. Aquí también se marca el ritmo: no hay un campo de velocidad.

Resultado

La salida Data entrega un archivo de audio WAV (24 kHz, mono) con el texto leído. Su nombre son las primeras palabras del texto, sin tildes ni signos (por ejemplo, Hola_buenos_dias_Su.wav).

Conéctala a un componente que guarde o envíe archivos. Un agente también puede usar el componente como herramienta para crear audio cuando lo necesite; consulta qué son las herramientas en Conceptos clave.

Ejemplo

Un hotel prepara un audio de bienvenida para cada huésped en su idioma. Un agente traduce el texto de bienvenida al idioma de la reserva, Gemini Text to Speech lo lee con la voz Aoede y Voice style en “cálida y tranquila”, y el flujo envía el audio el día de llegada.

Componentes relacionados

Consejos

  • En Voice style describe solo cómo suena, no el mensaje: el texto que se lee va siempre en Text to Speech.
  • Es el más lento de los cinco componentes nuevos de texto a voz. Medido en nuestro entorno de pruebas el 3 de noviembre de 2026: el WAV de la frase «Hola, buenos días. Su cita está confirmada para el martes a las diez y media.» se generó en 3,3 s.