Google presenta un nuevo Gémini y esta

vez amenaza todas las startups de

generación de voz y te da gratis una de

sus funciones más interesantes y encima

la mejora. El control de la expresividad

ahora es como dirigir un actor y es que

permite hacerlo de un modo que no

imaginas. Escucha esto.

Esta voz no existe. No hay nadie al otro

lado y sin embargo, algo en ti quiere

seguir escuchando.

Ahora escucha esto. Esta voz no existe.

No hay nadie al otro lado

y sin embargo,

algo en ti quiere seguir escuchando.

mismo texto, pero diferente voz,

diferente interpretación y diferente

tono. Y yo tengo control total de cada

uno de estos detalles. Y ojo, que si

quiero puedo traducirlo a otros idiomas

también.

Todo esto lo ha generado el nuevo modelo

de la familia de Gémini que Google sacó

esta semana. Y lo he hecho todo gratis y

es [música] brutal porque lo que acabas

de huir, locuciones con emoción dirigida

en varios idiomas y con control total

sobre la interpretación es lo que

justifica pagar por otras herramientas y

encima este modelo lo hace mejor. Para

que te hagas una idea, en el ranking más

importante de voces sintéticas ya has

superado a Eleven Labs, una herramienta

muy útil tanto para hacer tu contenido

más accesible en tu página web como para

crear nuevo contenido o para traducirlo

a múltiples idiomas, por lo que hoy

vamos a exprimir esta novedad al máximo.

Al terminar el vídeo habrás aprendido

cómo usar este modelo y también podrás

crear paso a paso una aplicación con una

interfaz a medida que genera estas

locuciones en diferentes idiomas de modo

automático. una aplicación muy útil que

crearás de un modo muy muy fácil gracias

a otra novedad de Google, [música]

también gratuita.

Y para que entiendas por qué este nuevo

modelo de Google es distinto, hay un

detalle en la documentación de este

modelo que se le ha prestado poca

atención y que soluciona el principal

problema de las voces sintéticas a las

que puedes acceder de modo gratuito.

Escucha este ejemplo de un modelo

anterior que puedes ejecutar en local

como el Quen TTS. Imagina que pudieras

escuchar la voz de alguien que ya no

está, que pudieras recuperar un mensaje

que nunca se grabó, que la tecnología

pudiera devolverte algo que creías

perdido para siempre.

La generación, como puedes ver, es

correcta. Las pausas caen donde toca. Se

entiende lo que dice. Correcto. Para

poder escuchar un texto escrito en una

web, pero sin control sobre la emoción.

Y es que la mayoría de los modelos de

voz tienen una capacidad muy limitada de

dirigir la emoción si es que la tienen.

Y sí, ya sé que algunos son compatibles

con las etiquetas de emoción como

susurra, enfadado o dubitativo, pero el

nuevo Gemini 3.1 Flyes Tex to Speech

hace que este método se vea muy muy

limitado. Y es que Gémini permite

escribir una instrucción entera para

dirigir la intención con la que se va a

generar la voz. Por ejemplo, con un

prom,

donde puedo explicar la escena, el

contexto e incidir en detalles como el

acento, en este caso andaluz, y añadir

además las etiquetas de emociones. Y si

hago todo esto, consigo un resultado

como este.

Qué arte, mi arma. Estás conectado con

la mejor radio del sur. Tú sigue en el

atasco que yo te pongo el tema. En tres,

dos, vámonos. Y lo interesante, como os

he mostrado en el ejemplo de la

introducción, es que puedo dirigir la

interpretación de un modo preciso una

sola vez y aplicar la locuciones en

tres, cinco o 10 idiomas sin tocar la

interpretación. Ahora vamos a ver cómo

usar este nuevo modelo de Gémini. Con

tantos modelos de inteligencia

artificial apareciendo constantemente,

que si Sehat GPT, que si Cloud, que si

Gémini, que si Deepsic, es difícil saber

cuál usar en cada momento. Y claro, para

probarlos todos necesitas registrarte en

cada servicio por separado, cada uno con

su interfaz y su suscripción. Por eso

quiero hablarte de Mammut. Ai, los

patrocinadores de este vídeo. Mammuth te

da acceso a todos los modelos premium

desde una sola interfaz: Chat GPT,

Clope, Gémini, Yama, Deepsic, Perplexity

y muchos más. Pero lo realmente útil es

poder lanzar el mismo prom a varios

modelos y comparar las respuestas. Así

sabes cuál te da el mejor resultado para

cada tarea, sin tener que ir probando

uno por uno. Y además incluye generación

de imágenes con flux y recraft. Y no

solo esto, puedes animarlas con Beo,

Sora, Grock y Clean. Análisis de

[resoplido] documentos y deep research

con Perplexity. Y algo muy importante,

Mamuth es una empresa europea con sede

en Francia y los datos alojados en

Alemania. Cumple con el reglamento de

protección de datos. Los proveedores no

guardan tus proms y tus conversaciones

no se usan para entrenar modelos. Si

trabajas con información sensible, esto

es indispensable. Todo esto con una sola

suscripción desde solo 10 € al mes sin

permanencia. Te dejo el enlace en la

descripción para que lo pruebes.

Por lo que ahora sí vamos a ver cómo

funciona este modelo, cómo podéis

acceder a él y cómo lo podéis utilizar

gratis. Y lo vamos a hacer a través de

tres ejemplos, tres pruebas que os harán

replantear la necesidad de pagar por

herramientas de este tipo. Para

utilizarlo es muy sencillo, simplemente

tenéis que acceder a Google i Studio en

la sección de Playground y una vez aquí

podéis acceder a todos los modelos que

nos ofrece Google. Podéis ver que hay

diferentes familias. Está la familia de

Gémini, la Live, la de imágenes, la de

vídeo y también está la de audio, por lo

que simplemente seleccionamos la familia

de modelos de audio y aquí seleccionamos

el Gemini 3.1 Flash TTS Preview. Una vez

hecho, simplemente clicamos aquí y ya

podemos empezar a generar nuestras

voces. Para hacerlo tenemos dos modos.

Por un lado, el modo composer, que lo

que nos permitirá es ir añadiendo

diferentes bloques con diferentes voces.

Esto lo veremos en el segundo ejemplo. Y

por otro lado, simplemente introducir

una instrucción de texto, que esto lo

veremos en este primer ejemplo y en el

último, por lo que empezamos por un

primer ejemplo muy sencillo para que

veáis cómo funciona. Le voy a poner aquí

un texto que lo único que incorpora son

algunas de estas etiquetas para dirigir

la emoción, como con confianza, de un

modo cálido o más despacio. La locución

es esta que estáis leyendo. Hoy te voy a

enseñar algo que va a cambiar cómo

trabajas con audio. No necesitas

experiencia previa, no necesitas pagar

nada. y en 15 minutos vas a tener

resultados que hasta hace una semana

costaban dinero. Una vez tenemos el

texto ya preparado, aquí podemos

configurar algunos elementos más, como

por ejemplo las diferentes voces

disponibles, que podéis ver que hay un

montón. En este caso voy a dejar la que

viene por defecto. Y aquí arriba tenemos

las notas del director donde podemos

seleccionar entre diferentes estilos,

diferentes ritmos y también entre

diferentes acentos, aunque los acentos

están un poco limitados a cuando estamos

generando textos en inglés. Si bien es

cierto que si los ponemos en la

instrucción también funcionan para otros

idiomas como el español. Y dicho esto,

también podemos condicionar la

temperatura del modelo. Y esto es

especialmente interesante cuando le

damos instrucciones más extensas, por lo

que lo veremos en el tercer ejemplo. Una

vez está todo configurado, simplemente

le tenemos que dar a run y este sería el

resultado.

Hoy te voy a enseñar algo que va a

cambiar cómo trabajas con audio. No

necesitas experiencia previa, no

necesitas pagar nada y en 15 minutos vas

a tener resultados que hasta hace una

semana costaban dinero y lo mejor es que

solo necesitas un navegador.

Como podéis ver, el resultado es

correcto, pero aún no es muy

espectacular. La idea es que esta

instrucción sea mucho más compleja. Pero

antes de ver un ejemplo de cómo creamos

esta instrucción, lo que vamos a ver es

cómo funciona la herramienta de

Composer, que es la que nos permite

crear de un modo sencillo locuciones con

varias personas o varias voces hablando

en ella. De este modo, para

configurarlos, simplemente tenemos que

darle añadir otro bloque de locución. Y

una vez aquí, pues podemos seleccionar

pues las diferentes voces que queremos

que hablen. Por ejemplo, podemos dejar

la voz que hemos visto anteriormente, la

cefir, y para la segunda voz nos

quedaremos con Pu, que es una voz

masculina. Y una vez hecho esto,

simplemente añadiríamos las

instrucciones del mismo modo que hemos

hecho antes, una para Céfir y otra para

PUC. Una vez hecho, simplemente le damos

a Ran y ya habríamos generado una

locución con dos voces distintas. Este

es el resultado.

A ver, yo lo digo claro. En 2 años nadie

va a pagar por una herramienta de voz.

Nadie. Los modelos gratuitos se las van

a comer.

Eso dijiste de las herramientas de

diseño hace un año y Figma sigue

facturando.

Como podéis ver, también una generación

muy correcta, pero hasta ahora solo

hemos visto dos ejemplos básicos con

algo que podían hacer la mayoría de

herramientas. Ahora es cuando la cosa se

pone interesante y cuando este modelo de

Google destaca respecto a la

competencia, lo que realmente te hace

plantearte si merece la pena pagar por

otras herramientas. Y es que no solo le

podemos dar estos textos con algunas

anotaciones en forma de etiquetas, sino

que le podemos proporcionar una

instrucción muy extensa con lo que

queremos que diga el personaje. Una

instrucción, por ejemplo, como esta. una

instrucción donde definimos el tipo de

escena dónde irá este audio, donde le

damos las notas del director con el

estilo y también con el ritmo y la

emoción, además de la proyección de la

voz. También un poco un ejemplo de

contexto y finalmente la transcripción

que también incluye estas etiquetas. De

este modo, si hacemos todo esto, es

cuando realmente sacamos partido al

modelo, por lo que vamos a generar esta

locución para que veáis la diferencia

respecto a las anteriores. Simplemente

le damos a ran, manteniendo la misma voz

que antes y este es el resultado.

Hay cosas que solo entiendes cuando ya

han pasado,

cuando miras atrás y ves el momento

exacto en que todo cambió. No fue un día

grande.

No hubo aplausos ni titulares.

Fue

un martes cualquiera,

una decisión pequeña que no parecía

importante,

pero lo era y ahora lo sabes porque

estás aquí. Y aquí

es exactamente

donde tenías que llegar.

Esto ya es otra cosa, ¿verdad? La

calidad es claramente superior a lo que

habíamos visto en los dos primeros

ejemplos. No os preocupéis por cómo

escribir estos proms, porque ahora a

continuación os voy a explicar cómo

acceder a un asistente que los escribe

automáticamente. Pero antes de ver este

asistente quiero que escuchéis esta

misma locución en dos idiomas más. Uno

en inglés, donde la calidad sube

enormemente y es que el modelo funciona

mucho mejor en inglés. Y luego en

catalán un idioma no tan popular como el

español o el inglés, donde este modelo

también funciona muy bien.

It wasn't

there was applause, no headlines.

was ordinary Tuesday

a small decision that didn't seem to

matter.

Y ahora el ejemplo en catalán. Ha, coses

que només entens quan han passat. Quan

mires enrere y veus el moment exacte en

que to va canviar. No va ser un gran

dia. [resoplido] No va ha aplaudiments

ni titulars.

Va ser un dimarsal,

una decisi petita que no sbla important

per y

ho saps et aquí y aquí.

Es exactamente una vía hasta arriba.

Y una vez visto lo bien que puede llegar

a funcionar esta herramienta, toca ver

cómo podemos escribir estos proms de un

modo mucho más sencillo. Yo lo que he

hecho a partir de toda la documentación

y buenas prácticas que ha compartido

Google sobre este modelo es crear este

asistente de aquí, Proms para Gémini 3.1

texto speech, que lo que hace es

guiarnos con varias preguntas para crear

promps que realmente funcionen según la

locución que nosotros queremos crear.

Por ejemplo, ahora le voy a pedir que me

cree una locución que sea adecuada para

un personaje tipo vampiro. Le voy a

decir esto. Quiero crear una locución

para un vampiro con este texto. Llevo

siglos esperando. ¿Sabes lo que es ver

pasar el mundo entero desde la sombra?

Sin envejecer, sin olvidar. La gente

cree que es lo peor, es la sed, ¿no? Lo

peor es la paciencia y la mía acaba de

terminarse. Pues si le enviamos esto,

fijaros qué sucede. Analiza el contexto

y me hace un par de preguntas además de

darme una primera versión del prom. Por

ejemplo, si nos fijamos en las dos

preguntas, vemos que nos pregunta para

qué finalidad es esta locución y, por

ejemplo, un detalle que le han quedado

dudas de cómo quiere que lo resolvamos.

Por ejemplo, le voy a decir que quiero

que termine con este susurro gélido. Le

digo, "Es para un corto. Quiero terminar

con un susurro gélido." Y cuando se lo

envío, automáticamente me va a devolver

ya el promptimizado.

Aquí lo podéis ver. Por lo que si yo

copio desde Gémini este prom y vuelvo a

Google I Studio, obtengo algo como esto.

Levo siglos esperando.

¿Sabes lo que es ver pasar el mundo

entero desde las sombras?

Sin envejecer,

sin olvidar.

La gente cree que lo peor es la sed,

¿no? Lo peor es la paciencia

y la mía

acaba de terminarse. Y este ejemplo

vuelve a demostrar que este es un modelo

de generación de voz diferente porque es

el primer modelo que admite este nivel

de detalle y control a la hora de darle

una instrucción para que nos genere la

locución tal y como nosotros queremos.

Pero para ello debemos poder escribir

estos proms tan extensos, por lo que lo

que voy a hacer es daros este asistente.

Podéis acceder a él a través del enlace

que encontraréis en la descripción. Pero

llegados a este punto, de lo que os he

hablado hasta ahora es de un modelo, no

de una herramienta. Y aquí es donde la

cosa se pone aún más interesante, porque

podemos crear nuestras propias

herramientas encima de este modelo de un

modo gratuito también en Google Studio y

de paso aprovechar otra novedad de

Google, por lo que ahora vamos a crear

nuestra propia aplicación tipo Eleven

Labs de un modo completamente gratuito.

Y es que gracias a la última

actualización que han hecho en Google y

Studio, ahora crear aplicaciones es más

fácil que nunca, ya que al darle una

instrucción para que genere tu

aplicación, en vez de generarte un único

diseño, ahora te propone cinco diseños

alternativos de interfaz. Tú puedes

escoger el que más te gusta y luego

desarrolla tu aplicación, por lo que

vamos a ver cómo funciona con este

ejemplo de la aplicación para generar

lociones, por lo que crear nuestra

aplicación es tremendamente sencillo.

Simplemente volvemos a Google y Studio y

pasamos de la sección Playground a la

sección build. Y una vez en la sección

build, simplemente pegamos el prom que

nos permitirá construir nuestra

aplicación, que esencialmente lo que le

pido es crear una aplicación que utilice

el último modelo de texto speech y que

permita hacer todo esto. Introducir

texto, mejorarlo automáticamente con

etiquetas de expresividad usando

inteligencia artificial, seleccionar voz

de idioma y que me genere los archivos

en W y algunas restricciones para

asegurarme que cree la aplicación

correctamente. Y una vez le he cargado

el Chrome, simplemente le doy a

construir y automáticamente Google

Studio se pondrá a trabajar para crear

esta aplicación. Pero gracias a esta

nueva función, antes de crearla nos va a

dar cinco opciones de cómo queremos que

se vea. Y aquí podéis ver las cinco

opciones que nos da. Esta oscura

sofisticada, esta vento grit, esta

interfaz inmersiva, esta de alta

densidad y finalmente una de de estética

editorial. Pues bien, seleccionaríamos

la que más nos interesase y simplemente

una vez la tuviésemos seleccionada le

daríamos aquí a seleccionar diseño y

automáticamente se pondría a construir

nuestra aplicación. Y una vez completase

el proceso, llegaríamos a un resultado

similar a este de aquí, que, como podéis

ver, cumple con todas las funciones que

nosotros queríamos. Podemos introducir

aquí el texto de la locución, por

ejemplo, el mismo texto que he utilizado

antes para el vampiro. Aquí arriba

tenemos un botón que nos permite añadir

automáticamente las etiquetas de

expresividad, por lo que simplemente voy

a pulsarlo. Y tal y como podéis ver,

acaba de introducir instrucciones para

guiar un poco la emoción y la

interpretación sobre esta locución. Una

vez hecho, aquí podemos seleccionar los

diferentes idiomas. En este caso es en

español y seleccionar entre las

diferentes voces. En este caso voy a

dejar esta de Mateo. Y con todo esto

hecho, simplemente tengo que darle a

generar locución. Y en la misma

interfaz, una vez lo ha generado, puede

reproducir el resultado. [grito ahogado]

Llevo siglos esperando.

¿Sabes lo que es ver pasar el mundo

entero desde las sombras sin envejecer,

sin olvidar? Por lo que de un modo muy,

pero que muy sencillo, podéis tener una

aplicación a medida para generar todas

las voces que vosotros queráis, por lo

que con todo lo que has visto hasta

ahora, te habrás dado cuenta que la

utilidad de este modelo es enorme. Si

creas vídeos en YouTube, las locuciones

de tus 20 vídeos en castellano las

puedes generar en inglés, portugués,

francés y alemán con la misma intención

que pusiste en los originales. Tu canal

puede multiplicar tu audiencia por cinco

sin volver a grabar nada. Si vendes

cursos, las locuciones de tus textos

lectivos ahora puedes traducirlas a

cinco idiomas, manteniendo el tono

emocional que tú decidas con tu estilo.

Puedes dirigirte a tres mercados nuevos

en un fin de semana. Si trabajas en una

empresa que produce formaciones o vídeos

corporativos, las locuciones de cada

pieza las tienes en todos los idiomas

donde haya oficinas. Lo que hasta esta

semana era un proyecto de agencia con

facturas que podían llegar a las cinco

cifras, ahora se convierte en un prom.

Todos estos perfiles pagaban por esto

hasta el martes, aplicaciones como

Eleven Labs o agencias de localización o

a un freelance por cada uno de los

idiomas. El nuevo modelo de Gémini es un

modelo con un propósito general y se ha

comido ese rol especializado y eso me

lleva a lo que de verdad quería contarte

hoy. Y es que hoy Google se ha comido

parte del negocio de Eleven Labs con una

actualización, no con un producto nuevo,

con una actualización de un modelo. La

semana pasada otro modelo hice relevante

una función de Figma. El mes anterior,

otra de Adobe o Blender. El patrón es

siempre el mismo, lo que antes requería

una app especializada, poco a poco lo

hace un modelo de inteligencia

artificial y muchas veces gratis y

encima cada vez mejor. Y el modelo tiene

dueño: Google, Openai, Antropic, Meta,

cuatro o cinco nombres en Estados Unidos

y cuatro o cinco nombres más en China.

El software se lo están comiendo los

modelos y los modelos los controlan muy

pocos. Cada actualización que celebramos

es una capa de aplicación que

desaparece. y un poco más de poder que

se concentra arriba. No sé si esto es

bueno o malo, pero es evidente que está

pasando y que la mayoría no se ha parado

pensarlo. Recuerda, en la descripción te

dejo el enlace al GEM que escribe los

proms optimizados para este modelo y al

prom para crear tu aplicación en i

Studio. Y si quieres saber cómo la

inteligencia artificial no solo se carga

apps, sino que también amenaza mi

trabajo, puedes verlo en este vídeo de

aquí. Nos vemos en el próximo vídeo.