Clonación de voz en la API de Gemini: consentimiento en portugués y almacenamiento

La clonación de voz en la API de Gemini exige dos grabaciones del mismo adulto: una muestra de su voz y otra con la declaración obligatoria de consentimiento, que puede pronunciarse en portugués de Brasil. La API Voices está en fase beta; después de verificar el consentimiento, una aplicación puede generar habla con esa voz. El desarrollador puede almacenar un perfil en su proyecto de Google o conservar una clave cifrada en su propio sistema. Ninguna modalidad elimina las obligaciones de protección de datos.

Qué ofrece la API de Gemini y qué no ofrece

La guía de replicación documenta el endpoint POST /v1beta/voices con el tipo replicated. Este crea una representación reutilizable de las características vocales de una persona, no un modelo Gemini público reentrenado. Los modelos de síntesis compatibles que se mencionan son gemini-3.8-flash-tts y gemini-3.8-flash-lite-tts. TTS significa conversión de texto a voz, es decir, transformar texto escrito en audio hablado.

Google AI Studio ofrece una experiencia en el navegador para grabar o cargar clips, escuchar una vista previa y obtener su identificador. Se trata de una interfaz para desarrollo, no de la aplicación Gemini para consumidores. El endpoint Voices y la referencia de la API describen la función como beta; eso no significa disponibilidad general ni acceso garantizado para todas las cuentas.

Qué dos grabaciones se necesitan

• Audio de referencia (source_audio): entre 10 y 30 segundos de habla natural y limpia de la persona cuya voz se quiere replicar.
• Audio de consentimiento (consent_audio): el mismo adulto debe grabar con claridad la declaración exacta publicada para uno de los idiomas admitidos.
• Preparación: la guía de la API de Gemini recomienda WAV mono, PCM de 16 bits y 24 kHz. Se deben evitar música, ruido, eco y voces superpuestas. Utilizar el mismo micrófono y entorno en ambos audios facilita la verificación.

Ambos registros se envían como datos de audio durante la creación. La verificación técnica del consentimiento no acredita por sí sola todos los derechos de explotación de la voz, la identidad civil del hablante ni la legitimidad de cada uso posterior del audio sintético.

Cuál es la frase de consentimiento en portugués de Brasil

La lista oficial de 30 configuraciones lingüísticas incluye pt-BR. El hablante debe pronunciar literalmente esta frase en portugués: Eu sou o proprietário desta voz e autorizo o Google a usá-la para criar um modelo de voz sintética.

La declaración hablada autoriza a Google a utilizar la voz para crear un modelo sintético. Una traducción redactada por el desarrollador, la lectura por otra persona o una casilla de aceptación por sí sola no sustituyen consent_audio. En una aplicación para terceros también conviene documentar la finalidad, el alcance del permiso y el procedimiento para solicitar que termine su uso.

Cómo se utiliza la voz para sintetizar el habla

• Parta de un proyecto y una cuenta habilitados, revise los términos de la API y obtenga las credenciales sin publicarlas en sitios accesibles.
• Prepare source_audio y consent_audio del mismo adulto e incluya ambos campos en una solicitud de creación con voice.type igual a replicated.
• Defina expresamente store como true o false y elija un modelo compatible al crear la voz.
• En las solicitudes TTS posteriores, introduzca el identificador o la clave devuelta en la configuración de voz. No hace falta volver a subir la muestra de referencia en cada síntesis.

Estos pasos proceden de la documentación; DTech no ejecutó la API. Los ejemplos de Google utilizan el SDK Google GenAI para Python desde la versión 2.25.0, @google/genai para JavaScript desde la versión 2.24.0, o peticiones REST. Los ejemplos no demuestran que todas las cuentas tengan acceso a la beta.

Dónde se almacena la voz replicada

Los documentos del propio Google discrepan sobre el valor implícito: la guía de replicación presenta store=true como predeterminado, mientras que la referencia CreateVoice indica store=false. No dependa de omitir el parámetro. Envíe siempre store=true o store=false y compruebe el valor recibido. El plazo de un año corresponde a la voz guardada, contado desde el último uso, y no establece el periodo de conservación de todos los archivos de audio originales.

Eliminar una voz también elimina las grabaciones y los registros?

No hay tal equivalencia documentada. voices.delete elimina un perfil de voz almacenado en el proyecto, pero no demuestra la supresión inmediata de las grabaciones originales, los registros operativos o las copias que conserve la aplicación del desarrollador. Del mismo modo, store=false evita la persistencia del perfil gestionado por Google, pero no todo posible procesamiento o conservación de datos.

La política de registros de la API de Gemini separa los logs de proyecto, de llamadas compatibles y proyectos con facturación habilitada, de los registros para prevenir abusos. El periodo máximo predeterminado de los logs del proyecto es de 55 días, configurable a 7, 14, 28 o 55 días; los conjuntos de datos guardados pueden durar más. La API Interactions dispone de su propio parámetro store para el estado de las interacciones, diferente del parámetro store de CreateVoice.

Según los términos actuales, Google no utiliza las instrucciones y respuestas de servicios de pago para mejorar sus productos, aunque puede conservar registros limitados para prevenir abusos y cumplir exigencias legales. En servicios gratuitos, los términos permiten usar el contenido enviado para mejorar productos y realizar revisiones humanas, y desaconsejan enviar datos personales o sensibles. Un proyecto asociado a una cuenta de facturación activa cambia la clasificación contractual del servicio; no se debe dar por hecho que la modalidad gratuita sea adecuada para grabaciones de voz personales.

Está disponible en Brasil y qué precauciones se requieren?

Brasil figura en la lista general de regiones admitidas para la API de Gemini y Google AI Studio, y pt-BR aparece entre los idiomas de consentimiento. Eso confirma cobertura geográfica e idiomática general, no acceso garantizado a la beta para todas las cuentas, proyectos o planes brasileños. La habilitación real debe comprobarse en un entorno autorizado antes de prometer la función a usuarios.

La LGPD brasileña protege la información relativa a personas identificadas o identificables, con protección especial para los datos biométricos vinculados a una persona. La ANPD también ha advertido sobre fraudes con voces sintéticas. El consentimiento hablado exigido por la API es una salvaguarda técnica, no una certificación automática de cumplimiento legal. Una aplicación real debe establecer la base jurídica aplicable, finalidad, seguridad, plazos, vías de retirada y responsabilidad por las grabaciones generadas.

• Obtenga autorización específica antes de grabar, reutilizar o publicar una voz reconocible y conserve pruebas adecuadas de dicho permiso.
• Proteja los identificadores y claves de voz con controles de acceso; no los exponga en código público ni comparta grabaciones innecesarias.
• Informe cuando un audio haya sido sintetizado y defina un procedimiento para suspender el uso, eliminar perfiles y tratar copias bajo su responsabilidad.
• Revise por separado la configuración de voz, los registros del proyecto, el almacenamiento de interacciones y los términos antes de considerar la solución lista para producción.

La documentación confirma el proceso beta de creación, consentimiento, síntesis y gestión. No aporta por sí sola mediciones independientes de fidelidad, garantías contra usos indebidos ni un único plazo de eliminación válido para todas las categorías de datos.

Fuentes y referencias

• Google: guía de replicación de voz
• Google: referencia de la API Voices
• Google: guía de síntesis TTS
• Google: regiones disponibles
• Google: términos adicionales de la API de Gemini
• Google: registros y datos compartidos
• Google: conservación de datos en la API de Gemini
• ANPD: preguntas frecuentes sobre datos personales
• ANPD: informe sobre deepfakes