Google Cloud Text-to-Speech

Google Cloud Text-to-Speech da a los desarrolladores una síntesis de voz basada en la tecnología de los asistentes de Google. Una solicitud con texto devuelve audio en formatos como MP3 o WAV, con voces e idiomas a elegir. Las familias de voces más nuevas, como WaveNet y la generación Chirp, suenan mucho más naturales que las voces sintéticas tradicionales, y hay muchos acentos y géneros entre los que escoger.

Los desarrolladores pueden afinar la locución con SSML, añadiendo pausas, énfasis, pronunciación y velocidad. El servicio admite síntesis de audio largo para audiolibros y narración, y streaming para aplicaciones en tiempo real como asistentes de voz y sistemas de respuesta de voz interactiva. Los clientes pueden solicitar una voz personalizada entrenada con sus propias grabaciones, con requisitos estrictos, y el servicio se integra con otras herramientas de Google Cloud.

El precio es por carácter, con tarifas distintas según el tipo de voz, y hay una cuota mensual gratuita. La calidad es sólida para usos prácticos, aunque las voces son menos expresivas que las de especialistas como ElevenLabs. Entre las alternativas están Amazon Polly, Azure AI Speech, la voz de OpenAI, ElevenLabs y Cartesia. Google Cloud Text-to-Speech sirve a aplicaciones que ya están en Google Cloud y necesitan voz escalable y fiable.