Cree voz, transcripciones y conversaciones de voz en directo con una infraestructura API compartida. El entorno web añade diseño y clonación de voces y creación de audio con varios hablantes.
¿Has usado esta herramienta? Valórala
¿Has usado esta herramienta? Valórala
Inworld AI es una plataforma de modelos de voz en tiempo real e inferencia LLM para aplicaciones de consumo. Ofrece texto a voz con Realtime TTS-2 y TTS-2 Flash, transcripción con Realtime STT-1 y conversaciones de voz a voz que combinan escucha, razonamiento y respuestas habladas. Sus usos previstos incluyen acompañantes, aprendizaje, apps sociales, agentes personales, salud, fitness y entretenimiento.
La voz generada, el audio entrante y los tokens LLM tienen contadores separados en una plataforma compartida.
El TTS Playground del navegador también crea clips descargables sin código de aplicación.
Realtime TTS-2 admite instrucciones en lenguaje natural y 200+ idiomas y variantes regionales; TTS-2 Flash se orienta a cargas de gran volumen sensibles a la latencia. Los identificadores son inworld-tts-2 e inworld-tts-2-flash.
La documentación indica 100 ms para TTS-2 y 20 ms para Flash en el P90 del tiempo hasta el primer byte de audio del servidor, sin latencia de red. Estas mediciones del proveedor solo cubren la síntesis.
Los anteriores TTS-1 y TTS-1.5 están obsoletos y no se recomiendan para proyectos nuevos.
La clonación de voz instantánea usa desde solo 3 segundos hasta 30 segundos de audio; Inworld afirma que muestras más largas mejoran la similitud. El límite de 30 segundos se aplica a clones creados a partir del 15 de agosto de 2026; los anteriores conservan una muestra de referencia de 15 segundos.
Voice Design crea una voz a partir de una descripción escrita en lugar de una grabación de referencia. El modo Freeform usa una descripción en inglés de hasta 1,000 caracteres y Structured permite editar el perfil directamente. Los atributos editables incluyen dialecto, edad, emoción, tono y textura; idioma y acento también se aplican a los guiones de vista previa.
Una generación de diseño produce hasta 3 vistas previas de voz; las seleccionadas pueden nombrarse y guardarse en la biblioteca.
Professional Voice Cloning es un proceso beta que usa más audio y una fase de entrenamiento asíncrono. Requiere al menos 10 minutos de audio combinado, acepta hasta 50 muestras con un total de 1 GB y exige confirmar los derechos para clonar la voz. El entrenamiento suele tardar 30–60 minutos y puede alargarse en periodos de alta demanda.
Realtime STT-1 transcribe 30 idiomas, detecta automáticamente el idioma hablado y admite cambios de idioma durante una conversación. Funciona mediante endpoints síncronos y WebSocket.
El perfilado de voz devuelve señales como emoción, estilo vocal, edad estimada y acento junto a la transcripción. Estas interpretaciones del sistema pueden convertirse en contexto LLM e instrucciones de expresión para TTS-2.
La API de voz a voz recibe y devuelve voz en una sola conexión WebSocket o WebRTC, con un LLM elegido por el desarrollador. Puede llamar a herramientas y usar voces TTS-2 normales, clonadas o diseñadas, gestionando turnos e interrupciones en la sesión. La integración telefónica usa Twilio Media Streams con audio G.711 μ-law o A-law a 8 kHz.
Los controles en tiempo real incluyen detección semántica de turnos, interrupciones, llamadas a funciones y cambios de voz, LLM o herramientas durante una sesión. El servicio sigue el protocolo OpenAI Realtime. Según Inworld, si el usuario habla durante una respuesta, se detiene la reproducción y el historial solo conserva lo que oyó. Las definiciones de herramientas pueden darse al inicio o añadirse después.
Inference acepta solicitudes Chat Completions compatibles con OpenAI mediante un endpoint Inworld, una clave API y un identificador de modelo.
Inworld ofrece también despliegues dedicados para el modelo propio de un cliente, con capacidad reservada e identificador de modelo. La empresa enumera Estados Unidos, Europa, India y Asia-Pacífico para estos despliegues, con retención cero de datos disponible en los modelos que aloja.
Multi-Voice Generation crea un diálogo, escena o pódcast como una sola pista unida, con voz, modelo y ajustes independientes para cada línea. Las líneas admiten etiquetas de dirección, regeneración individual y comparación o restauración de tomas y ajustes anteriores.
El flujo documentado en el navegador es:
El streaming WebSocket busca baja latencia; la generación asíncrona se dirige a audiolibros largos, pódcast y locuciones.
En los agentes de voz en tiempo real, una interrupción detiene los segmentos no enviados; la síntesis ya solicitada sigue siendo facturable.
Inworld presenta Creator para creación de contenido y proyectos pequeños, Builder para proyectos en crecimiento y equipos pequeños, Developer para aplicaciones en producción y Growth para grandes despliegues y necesidades de cumplimiento normativo.
El idioma del clon profesional debe coincidir con las grabaciones. La compatibilidad multilingüe es experimental; el inglés en-US tiene soporte completo.
Growth anuncia complementos ZDR, HIPAA y BAA; Enterprise anuncia acuerdos SLA y DPA, además de residencia de datos en la UE e India.
Inworld ofrece SDK de Node.js y Python cuyos métodos generate() gestionan fragmentación, reintentos y codificación.
| Método de síntesis | Límite documentado | Entrega del resultado |
|---|---|---|
| HTTP sin streaming | Hasta 2,000 caracteres por solicitud | Audio completo en una respuesta |
| Streaming HTTP | Hasta 4,000 caracteres por solicitud | Fragmentos de audio por HTTP |
| WebSocket | Conexión persistente | Fragmentos de audio a medida que se generan |
| Asíncrono | Hasta 100,000 caracteres por tarea; 10,000 en On-Demand | Resultado tras generación en segundo plano |
| Por lotes | 20% menos por carácter que la síntesis en tiempo real | Solicitudes independientes procesadas en segundo plano |
El Playground tiene límites aparte: 2,000 caracteres en On-Demand y 40,000 en niveles de autoservicio de pago.
La clonación instantánea del Portal acepta un archivo WAV, MP3 o WebM de hasta 12 MB y recorta automáticamente el audio de más de 30 segundos. También permite grabar directamente y exige confirmar los derechos.
El historial de generación del Playground se guarda localmente por dispositivo y espacio de trabajo; no se sincroniza entre navegadores ni se comparte con compañeros. Borrar el almacenamiento del navegador lo reinicia. Permite reproducir, restaurar, filtrar y descargar MP3.
Según lo recogido el 27 de octubre de 2026, los niveles de pago incluyen créditos equivalentes a su precio mensual. Las tarifas usan el símbolo $ del sitio, con TTS por millón de caracteres y STT por hora de audio; no se verificó la divisa de dólar concreta.
| Plan | Cargo mensual | TTS-2 / 1M caracteres | TTS-2 Flash / 1M caracteres | STT / hora |
|---|---|---|---|---|
| On-Demand | $0, pago por uso | $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 | A medida | Desde $5 | Menos de $5 | A medida |
Las suscripciones anuales se cobran una vez al año. El sitio estima unos 1,000 caracteres por minuto de audio; el TTS se mide realmente en caracteres.
On-Demand incluye gratis hasta 70 minutos de TTS o 400 minutos de STT. Las páginas de precios y facturación revisadas no especificaban fecha de caducidad para esa asignación gratuita. API y Playground comparten créditos entre TTS, STT, Inference y Realtime.
| Plan | Generaciones TTS simultáneas | Conexiones TTS WebSocket | Flujos STT / sesiones Realtime | Voces personalizadas / cupos de clones profesionales |
|---|---|---|---|---|
| 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 | A medida | A medida | A medida / A medida | A medida / 100+ |
La concurrencia se comparte entre las claves API de la cuenta; por encima de los límites garantizados, las solicitudes se atienden según disponibilidad. Los máximos de conexión y generación son distintos.
Los créditos de suscripción no usados se acumulan hasta 3 meses mientras se mantenga una suscripción de pago activa en un plan de igual o mayor valor. Cada concesión conserva su caducidad original. Las compras adicionales y recargas automáticas caducan, en cambio, un año después de la compra y usan las tarifas del nivel actual. La guía de facturación fija un mínimo de $10 para añadir créditos.
Una mejora de plan es inmediata, inicia un nuevo ciclo de facturación y cobra el precio completo del nuevo plan. El uso ya medido se liquida aparte y los créditos acumulados conservan su caducidad. Las bajadas de plan y cancelaciones se aplican al acabar el periodo actual, momento en que se pierden los créditos restantes. Se puede cancelar mediante Manage plan en la página Billing del Portal.
Los Términos permiten cancelar en cualquier momento, pero establecen pagos no reembolsables salvo obligación legal, sin anular los derechos locales imperativos de cancelación.
Algunos LLM prémium exigen una tarjeta registrada pese a tener créditos; la transcripción asíncrona también requiere un medio de pago.
ElevenLabs ofrece diálogos con varios hablantes y herramientas para clonar la voz propia del usuario o diseñar una nueva. Coincide en diálogo y narración, con límites y derechos separados.
Deepgram promociona texto a voz diseñado para mantener el contexto conversacional y ofrece despliegue en nube, nube privada y local. Son afirmaciones de despliegue del competidor.
Estas descripciones de funciones no establecen una clasificación comparativa de calidad.
La diarización de STT-1 es experimental; los números de hablante persisten en un flujo o tarea, sin trasladarse a flujos separados. Los borradores e intentos fallidos de clonación profesional también ocupan cupos de voz.
La latencia de respuesta en directo incluye detección de turnos y síntesis. Inworld informa de un primer audio más rápido de 204 ms tras cerrar el turno entre 37 turnos y una mediana de 462 ms en 17 turnos medidos. El VAD semántico de alta predisposición tardó una mediana de 954 ms desde la última palabra del usuario hasta cerrar el turno.
On-Demand enumera una licencia comercial. Los términos específicos del servicio indican que, salvo disposición expresa, el cliente conserva sus derechos de entrada y salida frente a Inworld y permiten usar salidas descargables fuera del servicio conforme a los Términos y la Política de Uso Aceptable. Las descargas están habilitadas en algunos servicios, no en todos.
Los modelos de voz deben usar la voz del cliente o una que esté autorizado a compartir. El cliente debe tener los derechos necesarios para aportar entradas, crear salidas y conceder las licencias indicadas. Los términos de voz autorizan el uso de entradas para prestar, mejorar y proteger los servicios, y de los modelos de voz del usuario para prestarlos y mejorarlos.
Para apps de rol, Inworld trata la selección y el enrutamiento de modelos NSFW/SFW según las políticas de contenido propias del desarrollador. Esto no supone permiso general de la plataforma para todo contenido adulto.
La Política de Uso Aceptable exige indicar de forma clara y destacada que el usuario interactúa con IA y no con un humano. En la sección Voice and Speech Services, los términos específicos prohíben entradas con PHI. Otra sección, Managed GPU Services, menciona un BAA separado para PHI; esa excepción corresponde a ese servicio y no modifica por sí sola la sección de voz.
Los Términos dicen que Inworld no entrenará modelos disponibles de forma general con Materials no públicos, salvo comentarios y materiales marcados para revisión de confianza y seguridad. La cláusula de comentarios concede licencia ilimitada, perpetua e irrevocable para usar comentarios o sugerencias; la de seguridad permite uso o análisis para mejorar detección y aplicación de normas. La declaración de no entrenamiento tiene estas condiciones.
El Aviso de Privacidad tiene alcance propio: información del sitio y servicios relacionados, excluyendo la procesada en nombre de clientes empresariales. En ese ámbito describe uso para investigación y desarrollo, incluido el entrenamiento de modelos de IA. Sus categorías de información y condiciones difieren.
El aviso dice que la información biométrica de voz puede usarse para prestar, analizar y mejorar los servicios salvo que el usuario se oponga. Se conserva hasta cumplir la finalidad de recogida o hasta tres años tras el acceso a la cuenta, lo que ocurra primero. La información personal general se guarda el tiempo necesario para los fines indicados, obligaciones legales u otros fines comerciales explicados en el aviso.
Para residentes cubiertos por la sección del aviso sobre ciertos estados de EE. UU., según su residencia y sujeto a limitaciones, el aviso prevé derechos a solicitar acceso, portabilidad, eliminación y corrección, con verificación de las solicitudes.
ZDR está incluido en Enterprise y Enterprise-Trial y es un complemento de Growth. Se configura en organización o espacio de trabajo, con prioridad de la anulación del espacio. Activarlo detiene la retención futura de contenido apto; no elimina el ya recogido. Las entradas y salidas aptas se procesan en memoria y se censuran tras procesarlas, con cobertura distinta por producto.
Los metadatos de facturación se siguen conservando. No son aptas las muestras de clonación, las descripciones de Voice Design ni los guiones de vista previa; las solicitudes LLM dirigidas a terceros quedan fuera del ZDR de los LLM alojados.
Los resultados asíncronos y por lotes suelen guardarse unos 7 días en almacenamiento gestionado por Inworld para descargar. Con ZDR, una tarea que conservaría ahí sus resultados se rechaza antes de la síntesis; la alternativa documentada es entregarlos a almacenamiento del cliente.
La actividad de Playground y API consume el mismo saldo entre productos.
La clonación instantánea usa una muestra corta. La profesional es beta y añade un conjunto de datos mayor, entrenamiento en segundo plano y límites de cupos de voz separados.
No. Las mediciones TTS del servidor excluyen la latencia de red; reconocimiento, razonamiento y detección de turnos añaden otras partes de la espera.
