Guía completa
Lo que un audiolibro con Google AI Studio puede y no puede ser
Un audiolibro con Google AI Studio es un trabajo por cuenta propia: usted pega el texto en el entorno de pruebas de voz de Google, una voz de Gemini TTS lo lee y usted descarga el clip. Las voces están entre las mejores disponibles, el nivel gratuito no cuesta nada y, para un relato corto o un capítulo de muestra, puede ser todo lo que necesite.
En un libro completo, el trabajo está en los detalles. Las voces TTS de Gemini admiten como máximo dos hablantes por solicitud, aceptan unos 8k tokens de entrada a la vez y no saben nada de capítulos. Esta guía cubre los pasos, los límites según la documentación oficial de Google a octubre de 2026, cómo se las arreglan las personas para unir las partes y un error de publicación que comete un tutorial popular.
Qué hace la generación de voz de Google AI Studio
Google AI Studio es el entorno de pruebas en el navegador para la API de Gemini, y su modo de voz es la forma más rápida de probar la conversión de texto a voz de Google AI Studio; la documentación de Google sugiere probar los modelos allí antes de construir cualquier cosa. Se enumeran cuatro modelos TTS: Gemini 3.8 Flash TTS y 3.8 Flash-Lite TTS (actualizados en septiembre de 2026), además de 3.1 Flash TTS Preview y 2.5 Pro Preview TTS. 3.8 Flash cubre más de 130 idiomas y detecta el idioma de su texto.
Usted dirige la interpretación en inglés sencillo. Una instrucción de estilo como “cheerful and friendly” se aplica a un turno, y Google documenta eventos vocales en línea escritos entre corchetes angulares, como <laugh>, <sigh> o <whispering>. Hay 30 voces predefinidas más una biblioteca extendida, y AI Studio también ofrece diseño de voz y replicación de voz, que una herramienta enfocada en libros puede no tener.
Paso a paso: un capítulo en AI Studio
Primero divida el capítulo. Cada solicitud tiene un límite de 8.192 tokens de entrada y 16.384 tokens de salida, así que corte el capítulo en los cambios de escena en partes lo suficientemente cortas para una solicitud; si un clip se detiene antes de tiempo, haga la parte más corta. Luego, para cada parte, elija un solo hablante para la narración, seleccione una voz, escriba una instrucción de estilo para el narrador, pegue el texto, ejecútelo y descargue el audio.
Mantenga un registro del modelo, la voz y la instrucción de estilo de cada parte. La salida varía de una ejecución a otra, así que un narrador que suena cálido en la escena uno puede sonar más enérgico en la escena tres a menos que coincida cada ajuste. Escuche cada clip antes de continuar: un libro unido es mucho más difícil de corregir que un solo clip.
Los límites: dos hablantes, longitud de entrada, topes diarios
El TTS multihablante de Gemini es donde la mayoría de la ficción se topa con un obstáculo, y la documentación de Google es clara: “La generación multihablante en una sola solicitud… admite hasta 2 hablantes usando voces predefinidas”. Para más, indica que se sintetice el turno de cada hablante individualmente. Una escena con un narrador y tres personajes ya son cuatro voces, así que la mayoría de la ficción termina generándose turno por turno.
Los topes diarios son más difíciles de precisar. Los modelos TTS son gratuitos en el nivel gratuito, pero la página de límites de velocidad de Google ahora solo dice que sus límites son visibles en AI Studio, y los informes de la comunidad en 2026 sitúan la asignación gratuita para algunos modelos TTS en tan solo 10 solicitudes al día. Las entradas y salidas del nivel gratuito se usan para mejorar los productos de Google, y los precios de pago para los modelos TTS 3.8 se duplican el 1 de enero de 2027.
Unir capítulos y asignar más de dos personajes
Para dar voz a un elenco completo a mano, recorra el capítulo línea por línea: decida quién habla cada línea, genere las líneas de cada hablante con la voz de ese hablante y luego ensamble los clips en orden en un editor de audio. Google señala que cada respuesta WAV lleva un encabezado de 44 bytes que se debe eliminar antes de unir archivos en código. Luego agregue marcadores de capítulo, empareje el volumen y exporte.
Esa contabilidad (quién habla, qué voz, en qué orden, dónde empiezan los capítulos) es exactamente el trabajo que existen para hacer las herramientas de conversión de texto a voz con múltiples voces. Para una novela con docenas de personajes que hablan, llega a cientos o miles de clips. Si también está evaluando chatbots, si ChatGPT puede hacer un audiolibro cubre lo que hacen con un manuscrito.
Publicación: por qué la vía de ACX en los tutoriales de YouTube rompe las reglas
El video más popular para esta búsqueda, “Google AI Studio: Create an AI Audiobook and Publish It on Audible!” (julio de 2025), es un recorrido útil por el entorno de pruebas, pero su último paso indica a los espectadores que publiquen a través de ACX. Ese paso no se sostiene. Los requisitos de envío de audio de ACX, con fecha del 15 de abril de 2026, dicen que un audiolibro “debe ser narrado por una persona a menos que se autorice lo contrario” y que “el uso no autorizado de texto a voz, IA o grabaciones automatizadas en títulos de ACX está prohibido”.
Audible dice en la misma página que está trabajando para aceptar contenido TTS de terceros y compartirá los plazos más adelante, así que esto puede cambiar. Hasta entonces, un libro narrado con Gemini y subido a ACX corre el riesgo de ser rechazado o eliminado. Consulte si Audible acepta narración con IA para conocer las reglas actuales, y publicar en Spotify para una vía que acepta narración con voz digital con una declaración.
Las mismas voces de Gemini con asignación automática y exportación a M4B
Si lo que busca es un audiolibro con Gemini TTS sin la gestión de fragmentos, tenga en cuenta que las voces estándar de FullCastBook funcionan con Google Gemini TTS, así que el sonido es de la misma familia que escucha en AI Studio. La diferencia está en el trabajo alrededor. Suba un archivo EPUB, DOCX, PDF con capa de texto, TXT o Markdown, y los capítulos y hablantes se detectan automáticamente. Cada línea se genera con la voz de su propio hablante, así que el límite de dos hablantes nunca aparece, y una indicación como [dry, unimpressed] se aplica como instrucción de estilo de la línea.
Escucha en el navegador, regenera líneas individuales y exporta un M4B con marcadores de capítulo, un MP3 o un ZIP con un archivo por capítulo. Las voces premium de ElevenLabs también están disponibles si desea un sonido diferente. Registrarse es gratis y crear consume créditos (un plan o una recarga única); precios muestra lo que requiere un libro completo.
Fuentes y fechas
Verificado el 21 de octubre de 2026: la guía de generación de voz de Google (actualizada el 12 de octubre de 2026), la página del modelo Gemini 3.8 Flash TTS, la página de precios de la API de Gemini (actualizada el 19 de octubre de 2026), los límites de velocidad (actualizados el 15 de octubre de 2026) y los términos de la API (actualizados el 28 de abril de 2026), y los requisitos de envío de audio de ACX (15 de abril de 2026). Los enlaces están debajo de la tabla comparativa. Google actualiza estos modelos con frecuencia, así que vuelva a verificar los límites antes de comenzar un audiolibro de Google AI Studio de cualquier duración.





