Convierte cualquier texto en una voz natural gratis

Prepara en mi ordenador una herramienta local y reutilizable para convertir texto en voz con la API de Google Gemini TTS. Debe funcionar en Windows, macOS y Linux. Quiero poder pedirte narraciones en lenguaje normal después de la configuración inicial, sin tener que recordar comandos ni aprender a programar.

## Resultado que quiero

- Usa por defecto el modelo gemini-3.8-flash-tts y voces etiquetadas como español de España (es-ES).
- Déjame elegir entre las voces disponibles, en especial las 22 voces es-ES de este catálogo:
  https://mafiaia.com/data/tts-google-es-es.json
- Produce archivos de audio locales que pueda escuchar y usar. WAV es el formato base. Ofrece MP3 solo si ya hay un conversor adecuado instalado; no me obligues a instalarlo.
- Permíteme pedirte cosas como «convierte este texto en una narración en español de España», «usa la voz que elegimos antes, con un tono natural y cercano», «narra este archivo y guárdalo en mi carpeta de vídeos» o «haz otra versión con una voz masculina más grave».
- Puedes crear un pequeño script o una utilidad interna para que tú la uses. Yo no debería tener que aprender sus comandos. No construyas una interfaz gráfica, un servidor, una aplicación de escritorio ni un framework de agentes.

## Configuración inicial

1. Inspecciona el sistema operativo y las herramientas ya instaladas. Elige la solución compatible más sencilla, con cero dependencias o las mínimas indispensables. Decide tú el lenguaje; no me pidas que lo elija.
2. Guarda todo en una carpeta local propia dentro de mi perfil de usuario, fuera del proyecto o repositorio desde el que te estoy hablando. No modifiques otros proyectos, ajustes globales ni instalaciones globales. Si la carpeta elegida ya existe, inspecciónala y no sobrescribas nada.
3. Guarda localmente la voz, el estilo y la carpeta de salida predeterminados, pero nunca incluyas secretos en esos ajustes.
4. Explícame cómo configurar GEMINI_API_KEY de forma segura en mi sistema operativo, por ejemplo solo para la sesión actual o mediante un gestor seguro que ya tenga disponible. No me pidas que la escriba en el chat, el código, el README ni los ajustes. No guardes la clave en los archivos de la herramienta y no cambies la configuración global de mi sistema.
5. No crees una clave, no actives facturación y no hagas llamadas de generación durante la instalación. Cuando todo esté listo, explica que la prueba consume cuota y pregúntame si ya estoy preparado para autorizar una prueba corta. No la hagas sin mi autorización.
6. Deja una guía breve de uso y, si mi agente admite instrucciones locales, un archivo de instrucciones dentro de esta carpeta para que pueda volver a abrirla en otra sesión y pedir narraciones de forma natural. No instales extensiones ni cambies la configuración del agente.

## Uso diario

- Acepta texto que te dé en el chat o el contenido de un archivo UTF-8 que yo indique.
- Permite cambiar voz, estilo y destino en cada petición, y usa los valores locales predeterminados si no especifico alguno. Si te pido guardar en una carpeta conocida, comprueba que existe; si no, pregúntame dónde dejar el audio.
- Convierte el audio en WAV reproducible. Si hay ffmpeg u otro conversor ya instalado, también puedes ofrecer MP3 como opción; conserva WAV como alternativa y no instales conversores por tu cuenta.
- Comprueba antes de guardar que el destino no existe. Si existe, elige un nombre nuevo o pregúntame; nunca sobrescribas un audio.
- Maneja con claridad errores 400 (petición o voz), 401 (clave), 403 (permisos o proyecto), 429 (cuota o límite), red y respuestas inesperadas. Si Google devuelve 429 o se agota la cuota, no repitas la petición: explícame que revise los límites de su proyecto y espere a que se restablezca la cuota. No actives facturación.
- Haz solo las peticiones necesarias: una generación por narración solicitada; no dividas el texto en varias peticiones ni reintentes automáticamente al alcanzar la cuota.

## Modelo, API y voces

Antes de implementar, consulta la documentación oficial de voz de Google y confirma el modelo, la petición REST y la respuesta de audio: https://ai.google.dev/gemini-api/docs/speech-generation

Usa el modelo gemini-3.8-flash-tts y, si eliges REST, el endpoint https://generativelanguage.googleapis.com/v1beta/interactions. Sigue la estructura de la documentación: input: [{ type: "user_input", content: [{ type: "text", text, annotations: [{ type: "speech_metadata", style }] }] }]; para una voz configura generation_config: { speech_config: [{ voice: voiceId }] }; y pide response_format: { type: "audio", mime_type: "audio/wav", sample_rate: 24000 } sin streaming. Envía la clave mediante el encabezado x-goog-api-key. La respuesta REST contiene audio codificado en base64 en steps[].content[].data; con un SDK oficial puedes usar su propiedad de audio de conveniencia. WAV sin streaming es un archivo completo con cabecera, no audio PCM sin cabecera.

Consulta una vez el catálogo https://mafiaia.com/data/tts-google-es-es.json y guarda dentro de la herramienta los identificadores es-ES para que la generación no dependa de la web de Mafia IA. Si no puedes consultarlo, estos son los 22 IDs válidos incluidos en este recurso:
- es-es-training-12 — Training Voiceover 12 (Femenina)
- es-es-csagent-6 — Call Center Agent 6 (Femenina)
- es-es-podcaster-5 — Podcaster 5 (Femenina)
- es-es-commercial-3 — Commercial Voiceover 3 (Femenina)
- es-es-commercial-7 — Commercial Voiceover 7 (Femenina)
- es-es-concierge-3 — Concierge 3 (Femenina)
- es-es-csagent-5 — Call Center Agent 5 (Femenina)
- es-es-techagent-5 — Tech Advisor 5 (Femenina)
- es-es-tutor-12 — Tutor 12 (Femenina)
- es-es-advisor-2 — Authoritative Advisor 2 (Masculina)
- es-es-advisor-9 — Authoritative Advisor 9 (Masculina)
- es-es-assistant-3 — Digital Assistant 3 (Masculina)
- es-es-assistant-4 — Digital Assistant 4 (Masculina)
- es-es-concierge-12 — Concierge 12 (Masculina)
- es-es-concierge-4 — Concierge 4 (Masculina)
- es-es-csagent-3 — Call Center Agent 3 (Masculina)
- es-es-podcaster-7 — Podcaster 7 (Masculina)
- es-es-techagent-4 — Tech Advisor 4 (Masculina)
- es-es-training-11 — Training Voiceover 11 (Masculina)
- es-es-training-3 — Training Voiceover 3 (Masculina)
- es-es-training-9 — Training Voiceover 9 (Masculina)
- es-es-advisor-8 — Authoritative Advisor 8 (Neutra)

Usa por defecto la voz es-ES es-es-training-12 y un estilo natural y cercano en español de España. No elijas una voz inglesa como alternativa. Si ningún ID es aceptado por la API, detente y explícame el problema; no sustituyas la voz en silencio.

## Seguridad, cuota y cierre

La clave solo se lee desde el entorno seguro que yo configure; no la imprimas, no la registres y no la envíes a otro servicio. El texto se enviará a Google para generar el audio: recuérdame que no use contenido confidencial sin revisar las condiciones aplicables. No supongas que la cuota gratuita es fija: indícame que consulte los límites actuales en AI Studio y no habilites servicios de pago.

Al terminar, dime brevemente qué preparaste y dónde, cómo elegir una voz, cómo generar audio desde texto o archivo, cómo reutilizarlo en otra sesión y qué hacer cuando se agote la cuota gratuita.