Il TTS Gemini 3.1 Flash di Google mette gli sviluppatori nella 'cabina di regia' con i tag audio inline

Cosa cambiano davvero i tag audio

La funzione di punta di Gemini 3.1 Flash TTS non è la qualità vocale in sé, ma la superficie di controllo. Google la descrive come 'tag audio': comandi in linguaggio naturale incorporati direttamente nel testo in input per guidare stile vocale, ritmo e resa. Invece di scegliere da un menu fisso di voci e impostazioni prosodiche, chi sviluppa scrive la direzione in linea, insieme alle parole da pronunciare.

Google la descrive su tre livelli: la regia di scena, che definisce un ambiente e mantiene i personaggi 'in character' su più turni di dialogo; la specificità a livello di speaker, tramite Audio Profile unici e Director's Notes per ritmo, tono e accento; e i tag inline, che permettono a uno speaker di 'passare da queste impostazioni di alto livello a un cambio di espressione a metà frase.' Questa granularità a metà frase è il vero salto di qualità: sposta il TTS da una configurazione a livello di clip a una vera e propria regia a livello di performance.

Una volta perfezionata la performance, questi stessi parametri possono essere esportati come codice per la Gemini API, per garantire voci coerenti e riconoscibili su progetti e piattaforme diverse.Montana Labs

Il percorso di esportazione è la parte da testare prima

Per i team applicativi, il punto davvero interessante del workflow è quello appena descritto: regoli una voce in modo interattivo nel Playground di Google AI Studio, poi esporti gli stessi parametri come codice per la Gemini API. Questo risolve un attrito reale: il divario tra ciò che funziona bene in un playground e ciò che riesci a riprodurre in modo affidabile in produzione. Se l'esportazione riesce davvero a catturare Audio Profile, Director's Notes e tag inline come codice riutilizzabile, il design vocale diventa un artefatto versionabile, non più un insieme di impostazioni che qualcuno deve ricordarsi a memoria.

Il rilascio è graduale ed è ancora in preview: gli sviluppatori lo ottengono tramite la Gemini API e Google AI Studio, le aziende tramite Vertex AI, e gli utenti Workspace tramite Google Vids. I tre canali suggeriscono che Google voglia alimentare con lo stesso modello sia gli strumenti per sviluppatori sia i prodotti consumer già pronti all'uso come Vids.

Il posizionamento su benchmark e costi

Google cita un punteggio Elo di 1.211 sulla classifica TTS di Artificial Analysis, un benchmark basato su migliaia di preferenze umane in cieco, e sottolinea che il modello si colloca nel 'quadrante più attraente' di quel benchmark, combinando generazione di alta qualità e costi contenuti. Il branding 'Flash' segnala la stessa intenzione: il modello è posizionato come livello veloce ed economico, non come opzione premium a qualità massima e prezzo altrettanto alto. Per i team che valutano i costi per carattere o per secondo su grandi volumi, il posizionamento low-cost conta quanto l'espressività.

Il dialogo nativo multi-speaker e il supporto per oltre 70 lingue completano il quadro. Google collega esplicitamente la copertura linguistica alla localizzazione, portando controllo su stile, ritmo e accento nei 'principali mercati', in modo che un solo modello possa generare parlato espressivo in diverse regioni, invece di un output pensato prima per l'inglese e poi adattato per il resto.

Ogni clip porta una marcatura SynthID

Google dichiara che tutto l'audio generato da 3.1 Flash TTS è marcato con SynthID, un marcatore impercettibile 'incorporato direttamente nell'output audio' per permettere il riconoscimento affidabile dei contenuti generati dall'IA. È importante notare che questa non è un'opzione: è una caratteristica di ogni generazione, non un interruttore da attivare.

Questa impostazione predefinita conta proprio perché il punto di forza del modello è offrire voci espressive, naturali, multi-speaker e dal suono umano. Più l'output è convincente, più la marcatura diventa parte integrante del prodotto, e non solo una nota a piè di pagina per la compliance. I team che costruiscono su questa base dovrebbero considerare la rilevabilità come una caratteristica integrata, e pianificare sistemi a valle — moderazione, controlli di provenienza, revisione delle piattaforme — capaci di leggerla. L'implicazione di questo rilascio è che Google sta offrendo insieme una performance vocale di precisione e una provenienza tracciabile, puntando sul fatto che gli sviluppatori accetteranno la seconda per ottenere la prima.