Gemini 3.8 Flash vs Flash-Lite TTS: narração para adultos

Para um capítulo de audiolivro adulto ou uma mensagem de voz de personagem, escolha o Gemini 3.8 Flash TTS para indicações interpretadas ou para a cobertura de mais idiomas, e o Flash-Lite TTS para narração simples e finalizada, mensagens curtas e grandes volumes de texto. Os dois leem o vocabulário adulto explícito como está escrito. O Flash interpreta indicações entre colchetes como [whispers] (normalmente; experimente antes) e cobre 130 idiomas contra 101 do Lite. O Lite não interpreta de forma confiável as indicações entre colchetes e às vezes as lê em voz alta, então precisa de roteiros simples. O Flash custa $0.00032 por segundo de áudio devolvido e o Lite $0.00021. A diferença é de $0.066 por dez minutos de áudio, ou $6.60 em 1.000 minutos. Com base nos nossos testes de setembro de 2026.

Ilustração do par adulto fictício usado nos exemplos; não é um resultado de áudio.

Qual modelo para qual trabalho

Use Flash TTS quando um riso, um suspiro ou um sussurro tiver que cair no lugar certo, e Flash-Lite TTS para a fala simples. Experimente as falas simples no Lite e guarde uma tomada satisfatória; ela não precisa ser regerada no Flash. Passe para o Flash quando a cena pedir indicações interpretadas ou um idioma que o Lite não suporte. Os dois aceitam os mesmos campos, então trocar é só mudar o nome do modelo.

Crie uma mensagem de voz de personagem

Teste primeiro no Playground. Abra Flash TTS ou Flash-Lite TTS, use a aba Playground na visão Form e:

1. Em Text, coloque apenas as palavras que o ouvinte deve ouvir (até 5.000 caracteres). No Flash, os atalhos de Cues inserem [whispers], [sighs], [laughs], [gasps] e [pause]; o Lite mostra um aviso de que essas tags são lidas em voz alta.
2. Escolha uma Voice (padrão Kore) e, se quiser, um Style e um Pace.
3. Escreva notas de entrega em Delivery instructions (até 1.000 caracteres) e Scene (até 500). Nenhum dos dois é falado.
4. Confira a estimativa de duração, pressione Run model e reproduza ou baixe o WAV em Output.

Depois a mesma requisição em código (pip install spicyapi, SPICY_API_KEY configurado). Ela cria a tarefa, espera e imprime o link do WAV; para o Lite, mude o modelo para google/gemini-3.8-flash-lite-tts/text-to-speech e escreva os sons por extenso em vez de usar colchetes:

import uuid

from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="google/gemini-3.8-flash-tts/text-to-speech",
    input_data={
        "text": "You made it. I was starting to think you had changed your mind. Stay a little longer; I like having you here.",
        "voice_id": "Kore",
        "instructions": "Quiet, warm and intimate. Speak to one adult listener, with a natural pause after the first sentence.",
        "pace": "natural",
    },
    idempotency_key=str(uuid.uuid4()),  # new key per new request; reuse only to retry the same one
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"Task {task['taskId']} ended as {final['state']}")

print(output_assets(final)[0]["url"])  # 24 kHz 16-bit mono WAV; copy it to your own storage

A espera, as novas tentativas e o tratamento de erros estão na referência do SDK Python e na documentação de tarefas.

Mantenha rótulos Character:, números de tomada e descrições de cena fora de text; o modelo lê isso como uma transcrição. Mantenha instructions em uma ou duas frases sobre o clima e a distância do microfone, e escolha outra voz em vez de descrever idade ou gênero ali; defina o sotaque com o campo accent.

No Flash, coloque uma indicação embutida logo antes da fala que ela dirige: [whispers] You made it. A página do modelo também lista [sighs], [laughing] e [gasping], e seus exemplos usam [softly] e [teasing]; as pausas vêm da pontuação (vírgulas, reticências, pontos finais), não de uma tag. Use colchetes, não as tags em parênteses angulares da documentação da API direta do Google. Se uma tag for falada em vez de interpretada, regere ou mova essa fala para instructions.

No Lite, escreva os sons por extenso: Mmm... you made it. ou Ha... of course you did. Deixe os colchetes fora de tudo e conduza o clima por instructions, pela pontuação e por frases curtas.

Ou deixe um Agent rodar. Dê a um assistente a CLI ou o servidor MCP; os dois mostram o preço e pedem confirmação antes de uma chamada paga, e o Skill acrescenta instruções por cima de qualquer um dos dois.

• CLI: spicyapi (npx @spicyapi/cli funciona sem instalar); o input.json guarda o objeto input acima:

``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech \ --input-file input.json --wait ``

• Servidor MCP: adicione o servidor MCP e peça "Leia esta fala de forma calorosa com o Gemini 3.8 Flash TTS." Ele chama spicyapi_task_create (que para para a sua confirmação de preço) e depois spicyapi_task_wait.
• Skill: npx skills add spicyapi-ai/spicy-skill instala o Agent Skill; ele ensina o assistente a ler o esquema vigente e não executa tarefas sozinho, então use-o junto com a CLI ou o MCP.

Escolha uma voz

Os IDs de voz diferenciam maiúsculas de minúsculas e Kore (firme) é o padrão. Opções mais quentes ou mais suaves incluem Sulafat (quente), Achernar (suave) e Enceladus (com respiração audível); Charon (informativo) combina com narração, Gacrux é maduro, Algenib é áspero e Puck é animado. Experimente as mesmas duas falas em três vozes no Lite e depois mantenha essa voz para o livro inteiro. Uma voz mantém seu caráter entre idiomas. Estes presets são as únicas vozes: sem clonagem, sem referência enviada.

Ilustração; não é um resultado de áudio.

Dois adultos em uma requisição

Rótulos de falante dentro de text não criam duas vozes. Use dialogue em vez de text e dê a cada fala o nome de um falante que apareça em speakers.

{
  "speakers": [
    {"name": "Mara", "voice_id": "Kore", "style": "vocal_smile"},
    {"name": "Eli", "voice_id": "Charon", "pace": "natural"}
  ],
  "dialogue": [
    {"speaker": "Mara", "text": "You can stay, if you want to."},
    {"speaker": "Eli", "text": "I was hoping you would ask."}
  ],
  "scene": "Two fictional adults speaking quietly after a dinner date."
}

Limites: dois falantes, 20 falas, 250 caracteres por fala. Você recebe um único WAV misturado, não um arquivo por ator; para editar as vozes separadamente, gere as falas de cada falante como tarefas separadas de voz única. Cada falante pode ter seu próprio style, pace, accent e um profile (não lido em voz alta).

Transforme um capítulo em requisições

Uma requisição aceita até 5.000 caracteres. Na prática, um parágrafo de 270 caracteres volta com cerca de 20 a 26 segundos, então seis a oito minutos é uma estimativa aproximada para uma requisição completa de 5.000 caracteres, não um limite de duração. Essa faixa custa $0.1152 a $0.1536 no Flash ou $0.0756 a $0.1008 no Lite (cerca de $0.12–$0.15 e $0.08–$0.10, respectivamente). Um capítulo de 20 minutos são, portanto, três ou quatro requisições: $0.384 no Flash, $0.252 no Lite.

• Divida nas mudanças de cena ou nas pausas longas, não no meio de uma frase; a emenda dentro de uma cena é onde a mudança de timbre mais aparece.
• Reutilize exatamente a mesma voz, as mesmas instructions e os mesmos ajustes em cada trecho, ou um narrador começa a parecer dois.
• Preveja uma margem: você paga por segundos devolvidos, e ajustes mais lentos de pace devolvem mais.
• Guarde o WAV por 14 dias. Não há carimbos de tempo nem legendas; alinhe uma transcrição no seu editor se precisar de uma.
• Espere uma retenção temporária: uma tarefa em execução reserva uma cota de 660 segundos e libera a parte não usada quando termina.
• Sem MP3, trilhas musicais, controles de tom ou velocidade e sem chamadas ao vivo. Converta o WAV localmente, adicione ambiente em um editor e use uma integração em tempo real para voz ao vivo.

Ajustes que mudam o resultado

pace oferece natural, rapid_fire, the_drift (lento, demorado) e staccato. Comece com natural; se uma fala parecer apressada, corrija primeiro a pontuação. style oferece whisper, empathetic, vocal_smile, newscaster, promo_hype e deadpan; para uma cena íntima, tente whisper ou vocal_smile. accent oferece oito sotaques ingleses (neutro, três americanos, dois britânicos, transatlântico, australiano). temperature vai de 0 a 2 e controla a variação entre tomadas; deixe sem valor na primeira tomada.

Quando algo soa errado

Como exemplo para ouvir, aqui está a amostra publicada de confissão sussurrada do Flash. A documentação do modelo do Google cobre apenas a API direta.

Resumindo: narração simples, rascunhos e grandes volumes de texto no Lite; indicações interpretadas ou um idioma que o Lite não tem no Flash. Nos dois casos, rode um trecho curto na voz que você quer antes de se comprometer com um capítulo inteiro e depois reutilize essa voz e essa direção em cada trecho.

Outras opções de áudio: a comparação de APIs de síntese de voz sem censura (artigo só em inglês) e o Gemini 2.5 Pro TTS para áudio NSFW.