Entwickeln Sie Sprachgenerierung, Transkription und direkte Sprachdialoge auf gemeinsamer API-Infrastruktur. Die Browser-Oberfläche ergänzt Stimmdesign, Klonen und Audioproduktion mit mehreren Sprechern.
Hast du dieses Tool genutzt? Bewerte es
Hast du dieses Tool genutzt? Bewerte es
Inworld AI ist eine Plattform für Echtzeit-Sprachmodelle und LLM-Inferenz in Verbraucher-Apps. Sie bietet Sprachausgabe über Realtime TTS-2 und TTS-2 Flash, Transkription über Realtime STT-1 und Sprachdialoge, die Zuhören, Schlussfolgern und gesprochene Antworten verbinden. Zielanwendungen umfassen Begleiter, Lernen, soziale Apps, persönliche Agenten, Gesundheit, Fitness und Unterhaltung.
Erzeugte Sprache, eingehendes Audio und LLM-Tokens werden innerhalb der gemeinsamen Plattform getrennt gemessen.
Der TTS Playground im Browser erstellt auch herunterladbare Clips ohne Anwendungscode.
Realtime TTS-2 unterstützt natürlichsprachliche Steuerung und 200+ Sprachen und Gebietsschemata; TTS-2 Flash ist für latenzkritische Aufgaben mit hohem Volumen positioniert. Die Modell-IDs lauten inworld-tts-2 und inworld-tts-2-flash.
Die Modelldokumentation nennt für die serverseitige P90-Zeit bis zum ersten Audiobyte 100 ms bei TTS-2 und 20 ms bei Flash, ohne Netzwerklatenz. Diese Anbietermessungen betreffen nur die Synthese.
Die früheren Modelle TTS-1 und TTS-1.5 sind veraltet und für neue Projekte nicht empfohlen.
Beim sofortigen Stimmklonen reichen 3 Sekunden Audio, maximal sind 30 Sekunden möglich. Laut Inworld verbessern längere Proben die Ähnlichkeit. Die 30-Sekunden-Grenze gilt für ab dem 15. August 2026 erstellte Klone; ältere behalten einen 15-Sekunden-Prompt.
Voice Design erstellt eine Stimme aus einer schriftlichen Beschreibung statt einer Referenzaufnahme. Freeform nutzt eine englische Beschreibung mit bis zu 1,000 Zeichen; Structured erlaubt die direkte Profilbearbeitung. Bearbeitbar sind Dialekt, Alter, Emotion, Tonhöhe und Textur; Sprache und Akzent gelten auch für Vorschautexte.
Eine Designgenerierung erzeugt bis zu 3 Stimmvorschauen. Gewählte Stimmen lassen sich benennen und in der Stimmbibliothek speichern.
Professional Voice Cloning ist ein Beta-Verfahren mit mehr Audio und einem asynchronen Trainingsschritt. Es erfordert insgesamt mindestens 10 Minuten Audio, akzeptiert bis zu 50 Proben mit zusammen 1 GB und verlangt die Bestätigung der Rechte zum Klonen. Das Training dauert meist 30–60 Minuten, bei hoher Auslastung auch länger.
Realtime STT-1 transkribiert 30 Sprachen, erkennt die gesprochene Sprache automatisch und unterstützt Sprachwechsel im Gespräch. Es arbeitet über synchrone und WebSocket-Endpunkte.
Die Stimmprofilierung liefert neben dem Transkript Signale wie Emotion, Sprechstil, geschätztes Alter und Akzent. Diese Systeminterpretationen können LLM-Kontext und Ausdrucksanweisungen für TTS-2 werden.
Die Speech-to-Speech-API nimmt über eine WebSocket- oder WebRTC-Verbindung Sprache entgegen und gibt Sprache aus, mit einem vom Entwickler gewählten LLM. Sie kann Werkzeuge aufrufen und normale, geklonte oder gestaltete TTS-2-Stimmen nutzen; Sprecherwechsel und Unterbrechungen werden in der Sitzung behandelt. Die Telefonanbindung nutzt Twilio Media Streams mit G.711-μ-law- oder A-law-Audio bei 8 kHz.
Echtzeitsteuerung umfasst semantische Sprecherwechselerkennung, Unterbrechungen, Funktionsaufrufe und Änderungen von Stimme, LLM oder Werkzeugen in einer Sitzung. Der Dienst folgt dem OpenAI Realtime-Protokoll. Spricht ein Nutzer während einer Antwort, stoppt laut Inworld die Wiedergabe und der Verlauf behält nur das Gehörte. Werkzeugdefinitionen können anfangs oder später übergeben werden.
Inference akzeptiert OpenAI-kompatible Chat Completions-Anfragen mit Inworld-Endpunkt, API-Schlüssel und Modell-ID.
Inworld bietet auch dedizierte Bereitstellungen für kundeneigene Modelle mit reservierter Kapazität und Modell-ID. Das Unternehmen nennt dafür die USA, Europa, Indien und den asiatisch-pazifischen Raum; bei den von Inworld gehosteten Modellen ist eine Nutzung ohne Datenaufbewahrung verfügbar.
Multi-Voice Generation erstellt Dialoge, Szenen oder Podcasts als zusammengesetzte Spur, mit eigener Stimme, eigenem Modell und Einstellungen pro Zeile. Zeilen unterstützen Steuerungs-Tags, einzelne Neugenerierung und Vergleich oder Wiederherstellung früherer Takes und Einstellungen.
Der dokumentierte Browser-Ablauf lautet:
WebSocket-Streaming zielt auf niedrige Latenz; asynchrone Generierung auf lange Hörbücher, Podcasts und Voiceovers.
Bei Echtzeit-Sprachagenten stoppt eine Unterbrechung noch nicht gesendete Segmente; bereits angeforderte Synthese bleibt kostenpflichtig.
Inworld positioniert Creator für Inhalte und kleine Projekte, Builder für wachsende Projekte und kleine Teams, Developer für produktive Anwendungen und Growth für große Bereitstellungen und Compliance-Bedarf.
Die Sprache professioneller Klone muss den Aufnahmen entsprechen. Mehrsprachigkeit ist experimentell; Englisch en-US wird vollständig unterstützt.
Growth wirbt mit ZDR-, HIPAA- und BAA-Zusatzoptionen; Enterprise mit SLA- und DPA-Vereinbarungen sowie Datenresidenz in der EU und Indien.
Inworld stellt Node.js- und Python-SDKs bereit, deren generate()-Methoden Aufteilung, Wiederholungsversuche und Kodierung übernehmen.
| Syntheseverfahren | Dokumentierte Grenze | Ergebnisübermittlung |
|---|---|---|
| HTTP ohne Streaming | Bis zu 2,000 Zeichen je Anfrage | Vollständiges Audio in einer Antwort |
| HTTP-Streaming | Bis zu 4,000 Zeichen je Anfrage | Audioblöcke über HTTP |
| WebSocket | Dauerhafte Verbindung | Audioblöcke während der Generierung |
| Asynchron | Bis zu 100,000 Zeichen je Auftrag; 10,000 bei On-Demand | Ergebnis nach Hintergrundgenerierung |
| Stapelverarbeitung | Je Zeichen 20% günstiger als Echtzeitsynthese | Unabhängige Anfragen im Hintergrund |
Für den Playground gelten separat 2,000 Zeichen bei On-Demand und 40,000 bei kostenpflichtigen Selbstbedienungstarifen.
Sofortiges Klonen im Portal akzeptiert eine WAV-, MP3- oder WebM-Datei bis 12 MB und kürzt Audio über 30 Sekunden automatisch. Direktes Aufnehmen wird ebenfalls unterstützt; der Ablauf verlangt eine Rechtebestätigung.
Der Playground-Verlauf wird lokal je Gerät und Arbeitsbereich gespeichert, weder zwischen Browsern synchronisiert noch mit Teammitgliedern geteilt. Löschen des Browserspeichers setzt ihn zurück. Der Verlauf erlaubt Wiedergabe, Wiederherstellung, Filterung und MP3-Downloads.
Beim Stand vom 27. Oktober 2026 enthalten bezahlte Tarife Guthaben in Höhe des Monatspreises. Die Preise verwenden das $-Zeichen der Website, TTS je Million Zeichen und STT je Audiostunde; die konkrete Dollarwährung wurde nicht verifiziert.
| Tarif | Monatsgebühr | TTS-2 / 1M Zeichen | TTS-2 Flash / 1M Zeichen | STT / Stunde |
|---|---|---|---|---|
| On-Demand | $0, nutzungsabhängig | $25 | $15 | $0.15 |
| Creator | $25 | $20 | $10 | $0.10 |
| Builder | $100 | $17.50 | $9 | $0.10 |
| Developer | $300 | $15 | $8 | $0.10 |
| Growth | $1,500 | $12.50 | $7 | $0.10 |
| Enterprise | Individuell | Ab $5 | Unter $5 | Individuell |
Jahresabonnements werden einmal jährlich abgerechnet. Die Website schätzt etwa 1,000 Zeichen je Audiominute; TTS wird tatsächlich nach Zeichen gemessen.
On-Demand umfasst kostenlos bis zu 70 Minuten TTS oder 400 Minuten STT. Die geprüften Preis- und Abrechnungsseiten nannten kein Ablaufdatum dieses Freikontingents. API und Playground teilen Guthaben für TTS, STT, Inference und Realtime.
| Tarif | Gleichzeitige TTS-Generierungen | TTS-WebSocket-Verbindungen | STT-Streams / Realtime-Sitzungen | Eigene Stimmen / professionelle Klonplätze |
|---|---|---|---|---|
| On-Demand | 5 | 50 | 10 / 10 | 100 / 2 |
| Creator | 10 | 100 | 20 / 20 | 500 / 4 |
| Builder | 50 | 500 | 100 / 100 | 3,000 / 10 |
| Developer | 150 | 1,500 | 300 / 300 | 10,000 / 25 |
| Growth | 500 | 5,000 | 1,000 / 1,000 | 30,000 / 40 |
| Enterprise | Individuell | Individuell | Individuell / Individuell | Individuell / 100+ |
Die Parallelität wird unter den API-Schlüsseln eines Kontos geteilt; oberhalb garantierter Grenzen erfolgt die Bearbeitung nach besten Möglichkeiten. Verbindungs- und Generierungsobergrenzen unterscheiden sich.
Ungenutztes Aboguthaben wird bis zu 3 Monate übertragen, solange ein aktives bezahltes Abo auf einem gleich- oder höherwertigen Tarif besteht. Jede Zuteilung behält ihr ursprüngliches Ablaufdatum. Zusatzkäufe und automatische Aufladungen verfallen dagegen ein Jahr nach Kauf und nutzen die Verbrauchspreise der aktuellen Stufe. Laut Abrechnungsleitfaden beträgt die Mindestaufladung $10.
Ein Upgrade gilt sofort, startet einen neuen Abrechnungszyklus und berechnet den vollen neuen Tarifpreis. Bisheriger gemessener Verbrauch wird separat abgerechnet; übertragenes Guthaben behält sein Ablaufdatum. Herabstufungen und Kündigungen gelten zum Ende des laufenden Zeitraums, wobei Restguthaben verfällt. Gekündigt wird über Manage plan auf der Portal-Seite Billing.
Die Bedingungen erlauben jederzeitige Kündigung, erklären Zahlungen aber außer bei gesetzlicher Pflicht für nicht erstattbar, ohne zwingende lokale Kündigungsrechte außer Kraft zu setzen.
Einige Premium-LLMs verlangen trotz Guthaben eine hinterlegte Karte; auch asynchrone Transkription erfordert eine Zahlungsmethode.
ElevenLabs bietet Dialoge mit mehreren Sprechern und Werkzeuge zum Klonen der eigenen oder Gestalten einer neuen Stimme. Überschneidungen bestehen bei Dialog und Sprechertexten, mit eigenen Grenzen und Rechten.
Deepgram bewirbt Sprachausgabe zum Erhalt des Gesprächskontexts und bietet Cloud-, Private-Cloud- und lokale Bereitstellungen. Dies sind Bereitstellungsangaben des Mitbewerbers.
Diese Funktionsbeschreibungen begründen keine vergleichende Qualitätsrangfolge.
Die Sprechertrennung in STT-1 ist experimentell; Sprechernummern bleiben innerhalb eines Streams oder Auftrags bestehen und werden nicht auf separate Streams übertragen. Auch Entwürfe und gescheiterte professionelle Klonversuche belegen Stimmplätze.
Live-Antwortlatenz umfasst Sprecherwechselerkennung und Synthese. Inworld meldet unter 37 Sprecherwechseln das schnellste erste Audio 204 ms nach Abschluss des Turns und einen Median von 462 ms über 17 gemessene Turns. Semantisches VAD mit hoher Reaktionsbereitschaft benötigte nach dem letzten Wort des Nutzers im Median 954 ms zum Abschluss des Turns.
On-Demand führt eine kommerzielle Lizenz auf. Die dienstspezifischen Bedingungen besagen, dass Kunden gegenüber Inworld die Rechte an Ein- und Ausgaben behalten, sofern nicht ausdrücklich anders geregelt, und erlauben herunterladbare Ausgaben außerhalb des Dienstes gemäß Bedingungen und Richtlinie zur akzeptablen Nutzung. Downloads gibt es bei einigen, nicht allen Diensten.
Stimmmodelle müssen die eigene Stimme des Kunden oder eine zur Weitergabe autorisierte Stimme nutzen. Kunden benötigen die Rechte, Eingaben bereitzustellen, Ausgaben zu erstellen und die genannten Lizenzen zu erteilen. Die Sprachbedingungen lizenzieren Eingaben für Bereitstellung, Verbesserung und Sicherung der Dienste sowie Nutzerstimmmodelle für deren Bereitstellung und Verbesserung.
Für Rollenspiel-Apps erörtert Inworld die Auswahl und Weiterleitung von NSFW/SFW-Modellen passend zu den eigenen Inhaltsregeln der Entwickler. Daraus folgt keine pauschale Plattformfreigabe aller Erwachseneninhalte.
Die Richtlinie zur akzeptablen Nutzung verlangt einen klaren, auffälligen Hinweis, dass Nutzer mit KI statt mit einem Menschen interagieren. Im Abschnitt Voice and Speech Services verbieten die dienstspezifischen Bedingungen Eingaben mit PHI. Ein eigener Abschnitt Managed GPU Services verweist auf eine separate BAA für PHI; diese Ausnahme betrifft jenen Dienst und ändert den Sprachabschnitt nicht von selbst.
Laut Bedingungen trainiert Inworld allgemein verfügbare Modelle nicht mit nicht öffentlichen Materials; ausgenommen sind Feedback und für Vertrauens- und Sicherheitsprüfungen markierte Materialien. Die Feedbackklausel erteilt eine unbeschränkte, dauerhafte, unwiderrufliche Lizenz für Feedback oder Vorschläge; die Sicherheitsklausel erlaubt Nutzung oder Analyse zur besseren Erkennung und Durchsetzung. Die Nichttrainingsaussage hat diese Einschränkungen.
Der Datenschutzhinweis hat einen eigenen Geltungsbereich: Website- und zugehörige Dienstinformationen, ohne im Auftrag von Unternehmenskunden verarbeitete Informationen. Darin beschreibt er die Nutzung für Forschung und Entwicklung einschließlich KI-Modelltraining. Informationskategorien und Bedingungen unterscheiden sich.
Der Hinweis besagt, dass biometrische Stimminformationen zur Bereitstellung sowie Analyse und Verbesserung der Dienste genutzt werden können, sofern der Nutzer nicht widerspricht. Die Speicherung endet bei Erfüllung des Erhebungszwecks oder spätestens drei Jahre nach Kontozugriff, je nachdem, was zuerst eintritt. Allgemeine personenbezogene Informationen bleiben so lange wie für angegebene Zwecke, gesetzliche Vorgaben oder andere im Hinweis erläuterte Geschäftszwecke nötig gespeichert.
Für Einwohner, die unter den Hinweisabschnitt zu bestimmten US-Bundesstaaten fallen, nennt der Hinweis je nach Wohnort und vorbehaltlich Einschränkungen Rechte auf Anträge zu Zugang, Übertragbarkeit, Löschung und Berichtigung, mit Überprüfung der Anträge.
ZDR ist in Enterprise und Enterprise-Trial enthalten und bei Growth eine Zusatzoption. Es lässt sich für Organisation oder Arbeitsbereich konfigurieren, wobei die Einstellung des Arbeitsbereichs Vorrang hat. Die Aktivierung stoppt zukünftige Speicherung berechtigter Inhalte, löscht aber keine früher erfassten. Berechtigte Ein- und Ausgaben werden im Arbeitsspeicher verarbeitet und danach unkenntlich gemacht; der Umfang unterscheidet sich je Produkt.
Abrechnungsmetadaten bleiben gespeichert. Klonproben sowie Voice Design-Beschreibungen oder Vorschautexte sind nicht berechtigt; an Dritte geleitete LLM-Anfragen liegen außerhalb der ZDR-Abdeckung gehosteter LLMs.
Asynchrone und Stapelergebnisse werden normalerweise etwa 7 Tage in Inworld-verwaltetem Speicher zum Download aufbewahrt. Bei aktivem ZDR wird ein Auftrag mit dortiger Ergebnisspeicherung vor der Synthese abgelehnt; die dokumentierte Alternative ist die Lieferung an kundeneigenen Speicher.
Playground- und API-Aktivität verbrauchen dasselbe produktübergreifende Guthaben.
Sofortiges Klonen nutzt eine kurze Probe. Professionelles Klonen ist Beta und ergänzt größere Datensätze, Hintergrundtraining und eigene Grenzen für Stimmplätze.
Nein. Serverseitige TTS-Messungen lassen Netzwerklatenz aus; Erkennung, Schlussfolgern und Sprecherwechselerkennung verlängern die Wartezeit zusätzlich.
