Clonar voz en Gemini 3.8: dónde funciona y qué exige el consentimiento

Una voz a partir de un clip de 30 segundos, si tienes derecho a usarla

Los nuevos modelos de texto a voz de Google pueden copiar una voz a partir de una grabación corta y luego leer cualquier guion con ella. Un vídeo de producto narrado, la versión en audio de una entrada de blog o un módulo de formación con la voz del fundador ya no necesitan una nueva sesión de grabación por cada guion. Grabas una vez, y luego escribes.

Los modelos son Gemini 3.8 Flash TTS y Gemini 3.8 Flash-Lite TTS, lanzados el 23 de septiembre. Texto a voz significa que pegas un guion y recibes a cambio un archivo de audio hablado. Google llama a esta función de copiado replicación de voz. La mayoría la llama clonación de voz. El anuncio de Google lo plantea así:

Recreate consistent vocal profiles from just a 30-second audio sample of your voice or a voice you have the rights to use

Google añade dos condiciones. La primera es el consentimiento. Según Google, la clonación necesita una segunda grabación de la misma persona:

users must provide a verbal consent recording from the voice owner that matches the reference speaker before a voice can be created.

La documentación para desarrolladores de Google detalla qué significa eso. Necesitas dos grabaciones reales de la misma persona adulta. Una es una muestra de habla natural de 10 a 30 segundos. La otra es esa misma persona leyendo en voz alta una frase fija, que la documentación da, en inglés, como:

I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.

La segunda condición, según Google, es una marca oculta en todo lo que producen los modelos. Google afirma:

every audio clip generated by our Gemini Audio models is watermarked with SynthID.

Google describe SynthID como una marca de agua imperceptible tejida en el audio: quien escucha no nota nada, y el software de detección aun así puede señalar el habla como generada por IA. Google dice que las voces clonadas también llevan credenciales C2PA, una etiqueta adjunta al archivo que registra su procedencia.

Por qué esta semana: un precio bajo que se duplica en enero, y apps sin código

El lanzamiento es la causa. Dos detalles hacen que importe más allá de los desarrolladores.

Lo primero es el coste, y viene con una fecha. La página de precios de Google, leída el 26 de septiembre, indica el audio de Flash TTS en $9 por millón de tokens hasta el 31 de diciembre de 2026, y $18 desde el 1 de enero de 2027. Los tokens son las pequeñas unidades en las que Google cuenta el texto y el audio. La misma página convierte la tarifa de audio en $0.00225 por 10 segundos ahora, y $0.0045 desde enero. Eso es aproximadamente 1.35 centavos por minuto de audio terminado este año, y unos 2.7 centavos a partir de Año Nuevo. Un módulo narrado de diez minutos sale por unos 13.5 centavos de audio este año y 27 centavos después. Flash-Lite TTS aparece en $6, luego $12, lo que equivale a unos 0.9 centavos por minuto ahora y 1.8 centavos desde enero. El guion que envías se factura aparte, a $0.50 por millón de tokens para ambos modelos, luego $1.00.

La misma tabla indica un nivel gratuito, sin coste, y una fila que le importa a cualquiera que suba una voz. En "Used to improve our products", la página de Google dice Yes para el nivel gratuito y No para el nivel de pago.

La única medición independiente que encontramos es la de Simon Willison. Es un desarrollador y escritor que hizo su propia prueba el día del lanzamiento, el 23 de septiembre:

It took ~20 seconds to generate 1m 18s of audio using Gemini 3.8 Flash TTS (not the cheaper Flash-Lite), at a cost of 2.74 cents.

Es un solo clip, un diálogo guionizado entre dos pelícanos, y el coste es el que él informa. No es una lista de precios. Planifica con la tarifa que publica Google, incluida la duplicación de enero.

Lo segundo es el alcance. La publicación de lanzamiento de Google indica que los modelos llegan a "everyone" en dos apps que no necesitan código: Flash TTS en Gemini Notebook, y Flash-Lite TTS en Google Vids. Los desarrolladores obtienen ambos a través de la API de Gemini, la conexión que otro software usa para enviarle a Google un guion y recibir audio a cambio, y a través de Google AI Studio, el espacio de trabajo en el navegador de Google para probar sus modelos. El acceso para empresas a través de Gemini Enterprise figura como próximamente.

Lee esa lista con atención. Nombra modelos, no funciones. Ninguna de las páginas que revisamos dice si la clonación de voz forma parte de lo que llega a Notebook y a Vids. Los modelos están ahí. La clonación puede que no.

En cuanto a por qué Google lanzó la clonación ahora, Willison tiene una hipótesis, y es su lectura, no la de Google:

I guess voice cloning is widely enough available now from other providers that Google are no longer hesitant to ship it.

Las salvaguardas de Google, y las objeciones registradas

El caso de Google es el de arriba: una grabación de consentimiento que debe coincidir con la muestra de voz, una marca de agua en cada clip, y un límite regional. Sobre ese límite, una nota al pie en el anuncio de Google dice que la replicación de voz a través de AI Studio no está disponible en Illinois, Texas, el Espacio Económico Europeo (la UE más Noruega, Islandia y Liechtenstein), el Reino Unido, Suiza o India. Google no dice por qué. La nota al pie cubre AI Studio. Las páginas que revisamos no dicen si el mismo límite se aplica a través de la API o en las apps de consumo.

La crítica es escasa, y vale la pena ser claros sobre cuán escasa. A fecha del 26 de septiembre, nuestra búsqueda en The Verge, TechCrunch y Ars Technica no encontró ninguna pieza crítica sobre este lanzamiento. Tampoco encontramos ningún comunicado al respecto de SAG-AFTRA, Equity o NAVA, tres organizaciones que representan a actores de doblaje. Las objeciones que encontramos vienen de cuatro usuarios seudónimos en un mismo hilo de Hacker News, un foro de debate popular entre desarrolladores de software.

La primera es sobre la marca de agua. Un usuario llamado gruez sugirió una solución alternativa. Generar el habla en una voz genérica con el modelo de Google, y luego convertirla en la voz objetivo con una herramienta de clonación que corre en tu propio ordenador:

That'll probably get rid of any C2PA watermarks too.

Es una predicción, matizada con "probably", y nombra la etiqueta C2PA, no SynthID. Nadie en nuestras fuentes lo probó. El fondo del argumento se sostiene igual, y el comentario de Willison de más arriba lo respalda: existen herramientas de clonación fuera de Google. Tal como lo describe Google, la comprobación de consentimiento rige la clonación hecha a través de Google. No puede impedir que alguien clone una voz con otra herramienta, y una marca de agua solo ayuda si sigue en el audio cuando alguien la busca.

Las páginas de Google también dejan una pregunta abierta. Dicen que la grabación de consentimiento debe coincidir con la muestra. No dicen si la comprobación puede distinguir una grabación de consentimiento real de una sintética. Un usuario llamado kmoser preguntó exactamente eso:

Does it detect synthesized consent recordings?

Otro usuario, pixl97, respondió que ninguna comprobación así duraría:

There is no world in which something like that works over a few months.

Es una afirmación. El hilo no ofrece ninguna prueba detrás, y las páginas de Google no ofrecen ninguna en contra.

La última objeción es práctica: ¿se puede usar esto en el trabajo, siquiera? Un usuario llamado rcr-anti escribió:

there's no alignment across the three platforms they have, consumer, prosumer, cloud.

El mismo comentario dice que los modelos ni siquiera tienen las mismas capacidades de una plataforma a otra. La propia lista de lanzamiento de Google tiene esa forma: un modelo en Notebook, el otro en Vids, el acceso empresarial aún por llegar, y un límite regional escrito solo para AI Studio.

A fecha del 26 de septiembre, ninguna de las fuentes que revisamos reporta una prueba independiente de si SynthID sobrevive a la edición, la compresión o la conversión a otra voz, ni de si un clip de consentimiento sintético lograría pasar.

Locuciones sin problema de consentimiento

Divide el trabajo en dos.

La mayoría del trabajo de locución no necesita la voz de nadie: explicaciones de producto, ediciones en audio de entradas, formación interna. Usa una de las voces de biblioteca de Google, o, en Flash TTS, una voz diseñada a partir de una descripción escrita, que el anuncio de Google dice que ese modelo puede crear. Ninguna de las dos voces pertenece a una persona real. El requisito de consentimiento de Google está escrito para la clonación, y también la nota al pie regional.

Clona una voz solo cuando la voz en sí sea lo que importa: el fundador narrando actualizaciones de la empresa, o un presentador que tu audiencia ya conoce. Antes de hacerlo, comprueba tres cosas.

Dónde estás. Si trabajas en uno de los lugares listados y planeabas clonar en AI Studio, la nota al pie dice que no puedes. Si trabajas a través de una cuenta de Google de empresa, confirma que el producto que realmente tienes incluye la función. La propia lista de Google pone modelos distintos en productos distintos.

Quién graba el consentimiento. Tiene que ser el propietario de la voz, leyendo la frase de Google con su propia voz. Google dice que esa grabación se compara con la muestra.

Qué conserva Google. Según la documentación de Google, la voz clonada se almacena por defecto en tu proyecto de Google, el espacio de cuenta donde Google guarda tu configuración de API y tu uso.

La documentación indica una retención de un año para las voces almacenadas. La alternativa es una clave de voz cifrada que conserva tu propio software en lugar de Google, y para eso la documentación indica siete días. La documentación que leímos no dice cuánto tiempo conserva Google la grabación de consentimiento. Si le vas a pedir a un colega que preste su voz, vale la pena saberlo antes de que grabe.

Parte de este trabajo se repite, como convertir cada nueva entrada de blog o registro de cambios en un clip de audio. Eso es una automatización pequeña, no una tarea semanal. En Latenode, el núcleo es un solo paso de código breve. Un paso de JavaScript ahí puede instalar cualquier librería de NPM, los paquetes de código ya hechos que comparten los desarrolladores, así que puede llamar a la API de Gemini con tu propia clave de API de Google, el código tipo contraseña que le dice a Google a qué cuenta facturar. Envía el texto de la entrada y pide una voz de biblioteca o una diseñada a partir de una descripción, nunca una clonada. Ese mismo paso puede después entregar el archivo terminado a tu propio almacenamiento o sitio web a través de la librería de NPM de ese servicio, si publica una. Dejar fuera la clonación es deliberado. La clonación necesita el consentimiento grabado del propietario de la voz y está limitada por región, y ninguna de las dos cosas encaja en un trabajo que corre sin supervisión. Las dos facturas se mantienen separadas. Google cobra por el audio en tu cuenta de Google, a las tarifas de la página de precios de Google, que se duplican el 1 de enero de 2027. Latenode mide cada ejecución por los segundos de CPU que consume, el tiempo de cómputo que usa, así que una ejecución más corta cuesta proporcionalmente menos. No hay un cargo mínimo por ejecución, y el nivel gratuito de Latenode incluye 10,000 segundos de CPU al mes.

Usa las voces que nadie posee, clona solo con el propietario presente

Usa Gemini 3.8 TTS para locuciones ya mismo si tus guiones cambian a menudo y una voz de biblioteca o diseñada te sirve: explicaciones, ediciones en audio, formación. Según la tarifa publicada por Google, el audio de Flash cuesta unos 1.35 centavos por minuto hasta finales de 2026 y unos 2.7 centavos desde el 1 de enero de 2027, y no están en juego los derechos de nadie.

Clona una voz solo si es tuya, o pertenece a alguien que grabará la frase de consentimiento de Google por sí mismo. Antes de prometerle a un cliente una narración clonada, comprueba que la vía que realmente vas a usar funciona donde estás. Si estás en la UE, el Reino Unido u otro de los lugares listados, asume que la clonación en AI Studio te está cerrada. Para Notebook y Vids, mira dentro del producto antes de planificar en torno a ello, porque el anuncio de Google no dice si la clonación está ahí.

No cuentes con que las salvaguardas protejan a las personas cuyas voces están en juego. Según Google, la comprobación de consentimiento impide que la voz de un desconocido se clone dentro de los propios productos de Google, y eso vale algo. Más allá de ese punto, lo que queda es la marca de agua. A fecha del 26 de septiembre, ninguna de las fuentes que revisamos reporta una prueba de si sobrevive a la edición, y ya existen otras herramientas de clonación que la comprobación de Google no alcanza. Si tus oyentes deben saber que una voz es sintética, la única manera fiable es decírselo tú mismo.