Gemini 3.8 Flash TTS: clonare una voce per il centralino

Il 23 settembre 2026 Google ha rilasciato due modelli di sintesi vocale, gemini-3.8-flash-tts e gemini-3.8-flash-lite-tts, e con uno di loro bastano 30 secondi di audio per creare una voce su misura ¹. Non serve un server con schede grafiche, non serve uno studio di registrazione.

La domanda che conta per te è semplice: posso usarla per il telefono o per i video dell'azienda senza spendere una fortuna? Per i video e i messaggi registrati sì, e il costo è quasi irrilevante. Per una voce che parla con i clienti in diretta, le informazioni disponibili non bastano ancora per dirti di farlo.

Cosa è uscito davvero, senza giri di parole

I modelli arrivano con una libreria di oltre 2.000 voci già pronte ¹. Se nessuna ti va bene, puoi crearne una tua partendo da un campione pulito di 10-30 secondi della tua voce, o di una voce che hai il diritto di usare, con una registrazione in cui la persona dichiara a voce il proprio consenso ¹⁴.

La cosa più interessante non è la clonazione. È che puoi scrivere un dialogo intero tra più personaggi, ognuno con la sua voce e le sue indicazioni di tono, e ottenere un unico file audio. Per chi fa video tutorial o presentazioni di prodotto, questo toglie di mezzo un bel pezzo di lavoro.

Simon Willison, uno sviluppatore che prova questi strumenti appena escono, ha messo online un playground gratuito per sperimentarli dal browser con la tua chiave API di Gemini ¹. È il modo più rapido per sentire il risultato prima di decidere qualsiasi cosa.

Quanto costa, misurato su un test vero

Nel suo test, Willison ha generato un dialogo di 1 minuto e 18 secondi in circa 20 secondi, spendendo 2,74 centesimi ¹. Ha usato il modello Flash, non il Flash-Lite che costa meno ¹. Il listino di Google, fino al 31 dicembre 2026, è 0,50 dollari per milione di token di testo in ingresso e 9 per milione di token audio in uscita ³. Dal 1 gennaio 2027 sale a 1 e 18 dollari ³. Il Flash-Lite passa da 6 a 12 dollari in uscita ³.

Tradotto: per un messaggio di benvenuto, una segreteria fuori orario o la voce fuori campo di un video da un paio di minuti, il costo della voce è l'ultima cosa di cui preoccuparti. Il tempo che passi a scrivere un buon testo vale molto di più.

Dove funziona già: video, messaggi, demo

Qui il caso è chiaro. Ogni volta che il testo è scritto prima e l'audio viene ascoltato dopo, una voce sintetica fa il suo lavoro.

Pensa al messaggio del centralino che dice gli orari, alle istruzioni per prenotare, alla voce di un video che spiega come si monta un tuo prodotto. Oggi li registri una volta e poi non li tocchi più perché rifarli è una seccatura. Con un modello del genere cambi una riga di testo e rigeneri il file.

Anche i dialoghi a più voci hanno un uso pratico: una simulazione di telefonata per formare chi entra in azienda, o una demo commerciale dove cliente e venditore parlano davvero.

Dove non ci sei ancora: il cliente in linea

Un centralino che capisce il cliente e gli risponde a voce è un'altra faccenda. Il test pubblicato misura quanto ci vuole a produrre un file completo, non quanto passa prima che la prima parola arrivi all'orecchio di chi chiama. In una telefonata è quel ritardo che fa sembrare la voce una persona o un risponditore.

L'italiano è tra le lingue supportate dal modello ², e la Live API, quella pensata per la conversazione in tempo reale, per questo modello non è supportata ². Sulle cadenze regionali non c'è documentazione. Non dare per scontato che una voce ottima in inglese suoni naturale a un cliente di Bari o di Bergamo. Va ascoltata.

Il consiglio di AIR è netto: non mettere una voce clonata a rispondere in diretta ai clienti solo perché è uscito un modello nuovo. Prima prova sui messaggi registrati, dove un errore costa poco.

La voce non diventa tua solo perché l'hai registrata

Google parla di una voce tua o di una voce che hai il diritto di usare ¹ e chiede una registrazione in cui chi parla dichiara a voce il consenso ⁴. Se cloni la voce di un dipendente per il centralino, fatti dare anche un consenso scritto e chiarisci cosa succede se quella persona se ne va.

C'è anche il lato del cliente. Chi chiama deve capire che sta ascoltando una voce generata, soprattutto se poi gli chiedi dati o decisioni. Una frase all'inizio del messaggio risolve il problema e ti evita brutte figure.

Cosa fare lunedì

Scegli un solo messaggio registrato che oggi usi davvero, per esempio quello fuori orario del centralino. Scrivi il testo in italiano, come lo diresti a voce.

Apri il playground, prova prima qualcuna delle voci già pronte e solo dopo, se serve, registra fino a 30 secondi della voce di qualcuno che ti ha dato il permesso ¹⁴. Fai ascoltare il risultato a qualcuno in ufficio senza dirgli che è sintetico, e guarda la sua faccia.

Se suona bene, usalo per quel messaggio e fermati lì per qualche settimana. Se suona finto, non fare niente: tieni la registrazione che hai e riprova al prossimo aggiornamento. Dove una voce sintetica abbia senso nel caso specifico si valuta partendo da un solo messaggio.

La voce costa ormai pochi centesimi. Quello che vale è sapere dove metterla.