Gemini 3.8 Flash TTS chegou no AI Gateway uma API, 100+ idiomas

Olha só isso, dev!

Se você já tentou colocar TTS (text-to-speech) em produção, sabe a dor: um fornecedor pra voz, outro pra billing, SDK diferente pra cada coisa. Pois é, a Google acabou de simplificar isso trazendo os modelos Gemini 3.8 Flash-Lite TTS e Gemini 3.8 Flash TTS direto pro Vercel AI Gateway — o mesmo endpoint que você já usa pra chat, embeddings e visão.

Os dois modelos recebem texto e geram fala em mais de 100 idiomas. Suportam narração longa, controle de entrega (tom, ritmo) e até diálogo com dois falantes. Se você tá construindo audiolivros, URA (IVR), acessibilidade ou agentes de voz, isso elimina uma camada inteira de código cola.

Segundo o changelog oficial, cada variante tem seu propósito:

• google/gemini-3.8-flash-lite-tts — ideal pra geração em alto volume, com controles de tom, ritmo e entrega linha por linha.
• google/gemini-3.8-flash-tts — adiciona design de voz e personagem via prompts em linguagem natural, incluindo deixa de atuação, sotaques e reações conversacionais.

Se você curte ver como times repensam confiabilidade em escala, esse é o mesmo padrão: consolidar infra e remover encanamento sob medida. Dá uma olhada no nosso artigo sobre como o Temporal garante operações confiáveis na Netflix.

Mão na massa em 10 linhas

O SDK ai expõe a geração de fala através de um entry point experimental. Bora ver o exemplo mínimo que funciona:

import { experimental_generateSpeech as generateSpeech } from 'ai';
import { writeFile } from 'node:fs/promises';

// Gera fala a partir de texto usando o modelo Flash-Lite TTS
const result = await generateSpeech({
  model: 'google/gemini-3.8-flash-lite-tts',
  text: 'Bem-vindo à edição em áudio.',
  voice: 'Kore',
  outputFormat: 'wav',
});

// Salva o buffer de áudio gerado em disco
await writeFile('speech.wav', result.audio.uint8Array);

Pronto. A mesma assinatura funciona pro modelo completo gemini-3.8-flash-tts — é só trocar a string do modelo e você desbloqueia os prompts de design de voz.

Como escolher entre os dois

Playgrounds e docs

Você pode gerar e ouvir amostras direto no playground do Flash-Lite TTS ou no playground do Flash TTS antes de partir pra integração. Instruções de setup e mais exemplos de código estão no speech quickstart e no guia de text-to-speech.

Vantagens do Gateway: uma API só pra fala junto com seus outros modelos, tracking de uso e custo por request, regras de roteamento configuráveis e opção de trazer sua própria chave do provedor.

Limitações e pegadinhas

Antes de sair deletando seu fornecedor de TTS atual, fica ligado nisso:

• API experimental. O experimental_generateSpeech é explicitamente marcado como experimental — espere breaking changes. Trave a versão do SDK e envolva a chamada num adapter.
• Sem streaming (pelo que a doc mostra). O exemplo escreve o buffer completo em disco. Se você precisa de latência baixa pra agentes em tempo real, confirma o suporte atual antes de projetar em cima disso.
• Tracking de custo ≠ controle de custo. O AI Gateway mostra uso por request, mas TTS em alto volume estoura rápido. Configura alertas de budget e manda jobs não críticos pro Flash-Lite.
• Licenciamento de voz. As vozes do Gemini são ativos do provedor — checa os termos da Google antes de lançar produto comercial com persona clonada ou customizada.
• Qualidade varia por idioma. Suportar 100+ idiomas ≠ 100+ idiomas igualmente polidos. Testa seus locales-alvo, principalmente sotaques e code-switching.

Próximos passos

Depois que a geração básica estiver rodando:

1. Adicione cache por hash de texto — strings repetidas (saudações, menus de URA) não deveriam bater na API duas vezes.
2. Monte um registro de vozes mapeando nome da persona pra modelo + voz + prompt, assim trocar personagem é mudança de config, não de código.
3. Case com uma fila (BullMQ, SQS) pra jobs de narração longa — não bloqueia handlers HTTP esperando áudio de um minuto.
4. Instrumente latência por idioma e por modelo pra pegar regressões quando a Google soltar updates.

Se você também mexe com frontend em apps pesados de mídia, nosso guia sobre o CSS animation-trigger e o futuro das animações por scroll é uma ótima leitura complementar.

Fechando a conta

O Gemini 3.8 Flash TTS no AI Gateway é uma jogada de consolidação séria. Em vez de fornecedor separado de TTS, billing separado e auth separada, você tem fala como mais uma modalidade no mesmo endpoint. Pra quem já tá no stack de IA da Vercel, o custo de migração é quase zero.

O ganho real não é a qualidade do modelo — é que fala deixou de ser caso especial. Quando TTS mora do lado das suas chamadas de LLM, features como respostas narradas de chat, agentes com voz e audiolivros dinâmicos param de ser side project e viram config.

Começa com o Flash-Lite pra volume, sobe pro Flash TTS quando precisar de personagem. E fica de olho na flag experimental — ela não vai ficar experimental pra sempre. 🚀