Gemini TTS: diálogo a dos voces en un solo archivoModelos de IA por nombre: qué hace cada uno y dónde activarlo

Gemini TTS: diálogo a dos voces en un solo archivo

Gemini TTS es el motor de síntesis de voz de Google, y conviene empezar por lo honesto: cuesta unas cuatro veces más que su vecino Qwen3-TTS, que es el que locuta por defecto. El sobreprecio se justifica en tres casos, y el principal es un diálogo de dos interlocutores grabado en una sola llamada: eso no lo hace nadie más aquí.

Abajo está el modelo en sí. Pega un texto o las réplicas de dos personajes: la respuesta llega a esta misma página y el primer intento no pide registro.

Cargando…

Qué estás probando

Esto no es un modo demo: la petición va al mismo motor que usa el chat principal. La única diferencia es que aquí la conversación termina tras la primera respuesta — puedes continuar en el chat y el audio se va contigo.

Dos voces en un diálogo: para eso se viene aquí

Una locución normal lee el texto con una sola voz. Aquí puedes dar las réplicas de dos interlocutores y el modelo las graba con voces distintas en un mismo archivo, con transiciones naturales entre turnos — no dos archivos separados pegados luego en el montaje.

De ahí un conjunto evidente de trabajos:

  • Un pódcast con dos presentadores
  • Entrevistas, preguntas y respuestas
  • Una escena o un diálogo en un vídeo formativo
  • Cuñas de radio con dos personajes
Una llamada, dos voces: Ana pregunta por qué las grandes ciudades están junto a un río y Pedro lo explica. La risa de su tercera frase es una etiqueta <laugh> en el texto, y no se lee en voz alta. Grabado con Gemini 3.8 Flash TTS, 35 segundos.

Interpretación dirigida con palabras — y en español sí funciona

Lo segundo que no tiene el vecino: la manera de leer se puede describir con palabras corrientes — «lee más despacio y con calidez», «con brío, como un presentador de informativos», «en susurro, con pausas». El modelo lo cumple.

Aquí Qwen no ayuda

Qwen3-TTS tiene un modo parecido, pero funciona solo en inglés y en chino: una indicación en español como «léelo más suave» allí se ignora, y el estilo hay que fijarlo eligiendo voz.

Así que si hay que dirigir la interpretación en español, esta es la única razón por la que conviene pagar conscientemente unas cuatro veces más. Para todo lo demás sale más barato Qwen.

Muchos idiomas

La lista de idiomas aquí es incomparablemente más amplia: Qwen habla diez, Gemini varias decenas. Si necesitas un idioma fuera de inglés, chino, español, ruso, italiano, francés, coreano, japonés, alemán y portugués, no hay elección posible.

Turco, que Qwen no habla: una cuña de cafetería, «¡Bienvenidos! Este fin de semana, todo el café a mitad de precio». 8 segundos.

El texto largo se corta en silencio — y se cobra entero

La propiedad más desagradable del motor. No tiene un límite de longitud con el que tropezar: el proveedor simplemente recorta todo lo que no quepa en unos once minutos de habla, sin error y sin aviso. Recibes un archivo cortado y lo pagas entero.

Por eso aquí se impone un tope propio de 7000 caracteres por petición: queda holgadamente dentro del techo del proveedor. Un texto más largo hay que partirlo y unir después los archivos terminados — unir es gratis.

Se cobra por segundos, no por caracteres

La segunda diferencia con Qwen que conviene saber de antemano: aquí se paga por el audio producido, no por el texto enviado — unas veinticinco unidades por segundo de habla.

La consecuencia práctica es que el coste exacto solo se ve tras generar. Se puede estimar a ojo: el habla corriente va a unos once caracteres por segundo, así que mil caracteres dan alrededor de minuto y medio de audio. Qwen cuenta caracteres directamente, y allí el precio se sabe antes de lanzar.

2 vocesEn un archivoUn diálogo con transiciones naturales — nadie más aquí lo hace
7000Caracteres por peticiónNuestro tope: el proveedor corta en silencio todo lo que pase de ~11 minutos de habla
~4×Más caro que QwenPara la misma cantidad de texto — elígelo a conciencia

Gemini o Qwen: la bifurcación corta

TrabajoQué motor
Diálogo de dos interlocutoresGemini TTS
Dirigir la interpretación con palabras en españolGemini TTS
Un idioma raroGemini TTS
Locución normal en españolQwen3-TTS
Texto largo y ahorroQwen3-TTS
Tu propia voz clonadaQwen3-TTS
La regla es simple: si el trabajo no está en las tres primeras filas, estás pagando de más.

Lo que Gemini TTS no hará

  • No clonará tu voz. Se puede diseñar una voz por descripción, pero reproducir a una persona concreta a partir de una grabación es cosa de Qwen3-TTS.
  • No avisará del recorte. Vigilar la longitud del texto es cosa tuya.
  • No dirá el precio de antemano. La factura se calcula por el audio producido.
  • No será barato. Para una locución corriente es una elección injustificada.

Preguntas frecuentes

¿Qué es Gemini TTS?
Gemini TTS es el motor de síntesis de voz de Google. En Twelver está conectado junto a Qwen3-TTS, pero cuesta unas cuatro veces más, así que la locución va por Qwen por defecto. A Gemini se le recurre por el diálogo a dos voces, por dirigir la interpretación en español y por los idiomas raros.
¿Cómo locuto un diálogo de dos personajes?
Dando las réplicas de los dos interlocutores: el modelo las graba con voces distintas en un mismo archivo y con transiciones naturales. Es el único motor conectado que lo hace: los demás leen el texto con una sola voz y el diálogo habría que montarlo después.
¿Puedo pedir que lea más despacio o con otra entonación?
Sí, con palabras corrientes: «lee despacio y con calidez», «con brío, como un presentador». Y funciona también en español, mientras que Qwen solo acepta ese modo en inglés y en chino. Por eso tiene sentido pasarse a Gemini a conciencia para esto.
¿Por qué se ha cortado el final de mi locución?
Porque el proveedor recorta en silencio todo lo que pase de unos once minutos de habla, sin error y sin aviso, y la petición se cobra entera. Por eso en Twelver hay un tope propio de 7000 caracteres por petición; un texto más largo hay que partirlo y unir después los archivos, que es gratis.
¿Cuánto costará la locución?
Con exactitud, solo se sabe tras generar: aquí se paga por el audio producido, no por el texto enviado. Una estimación rápida: el habla va a unos once caracteres por segundo, así que mil caracteres dan alrededor de minuto y medio de sonido. Si necesitas un precio predecible antes de lanzar, usa Qwen3-TTS, que cuenta caracteres.
¿Se puede clonar una voz en Gemini TTS?
No. Se puede diseñar una voz a partir de una descripción, pero reproducir a una persona concreta a partir de su grabación no; para eso está Qwen3-TTS, donde clonar cuesta una cantidad simbólica y se hace una sola vez.
¿Qué motor de locución elijo?
Qwen3-TTS por defecto: es unas cuatro veces más barato, habla español, aguanta texto largo y sabe clonar una voz. Gemini TTS se justifica en tres casos: diálogo a dos voces, dirigir la interpretación con palabras en español y un idioma fuera de los diez que conoce Qwen.

Ejemplos y precios en la página de locución de textos. Qué conectamos y cuándo, en la entrada sobre su llegada. Otros modelos, en el índice del libro; la locución en general, en el libro de voz.

Pruébalo tú mismo

Todo lo de esta guía funciona en Twelver

Un chat para texto, imágenes, vídeo, música y voz — sin servicios ni suscripciones aparte.

Abrir el chat de Twelver
Página relacionadaChat IA Twelver
Califica tu experiencia