Créez de la parole, des transcriptions et des conversations vocales en direct sur une infrastructure API commune. L'atelier web ajoute conception et clonage de voix et création audio à plusieurs voix.
Vous avez utilisé cet outil ? Notez-le
Vous avez utilisé cet outil ? Notez-le
Inworld AI est une plateforme de modèles vocaux en temps réel et d'inférence LLM pour les applications grand public. Elle propose la synthèse vocale avec Realtime TTS-2 et TTS-2 Flash, la transcription avec Realtime STT-1 et des conversations de parole à parole réunissant écoute, raisonnement et réponses orales. Les usages visés comprennent les compagnons, l'apprentissage, les apps sociales, les agents personnels, la santé, le fitness et le divertissement.
La parole générée, l'audio entrant et les tokens LLM ont des compteurs distincts au sein d'une plateforme commune.
Le TTS Playground dans le navigateur crée aussi des extraits téléchargeables sans code applicatif.
Realtime TTS-2 accepte le pilotage en langage naturel et 200+ langues et variantes régionales ; TTS-2 Flash est destiné aux volumes élevés sensibles à la latence. Les identifiants sont inworld-tts-2 et inworld-tts-2-flash.
La documentation indique 100 ms pour TTS-2 et 20 ms pour Flash au P90 côté serveur jusqu'au premier octet audio, hors latence réseau. Ces mesures du fournisseur couvrent uniquement la synthèse.
Les anciens modèles TTS-1 et TTS-1.5 sont obsolètes et déconseillés pour les nouveaux projets.
Le clonage de voix instantané utilise de 3 secondes seulement à 30 secondes d'audio ; Inworld indique que des échantillons plus longs améliorent la ressemblance. Le plafond de 30 secondes s'applique aux clones créés à partir du 15 août 2026 ; les clones antérieurs conservent une amorce de 15 secondes.
Voice Design crée une voix à partir d'une description écrite plutôt que d'un enregistrement de référence. Le mode Freeform utilise une description en anglais de 1,000 caractères maximum, et le mode Structured permet de modifier directement le profil. Les attributs modifiables incluent dialecte, âge, émotion, hauteur et texture ; langue et accent s'appliquent aussi aux scripts d'aperçu.
Une génération de conception produit jusqu'à 3 aperçus vocaux ; les voix retenues peuvent être nommées et enregistrées dans la bibliothèque.
Professional Voice Cloning est un processus bêta utilisant davantage d'audio et un entraînement asynchrone. Il exige au moins 10 minutes d'audio cumulé, accepte jusqu'à 50 échantillons totalisant 1 GB et demande de confirmer les droits de cloner la voix. L'entraînement dure généralement 30–60 minutes, voire davantage en période chargée.
Realtime STT-1 transcrit 30 langues, détecte automatiquement la langue parlée et accepte les changements de langue au cours d'une conversation. Il fonctionne via des points d'accès synchrones et WebSocket.
Le profilage vocal renvoie, avec la transcription, des signaux tels que l'émotion, le style vocal, l'âge estimé et l'accent. Ces interprétations du système peuvent servir de contexte au LLM et de consignes d'expression à TTS-2.
L'API de parole à parole reçoit et renvoie la voix sur une seule connexion WebSocket ou WebRTC avec un LLM choisi par le développeur. Elle peut appeler des outils et utiliser des voix TTS-2 ordinaires, clonées ou conçues, en gérant les tours de parole et interruptions dans la session. L'intégration téléphonique utilise Twilio Media Streams avec de l'audio G.711 μ-law ou A-law à 8 kHz.
Les contrôles temps réel incluent la détection sémantique des tours, les interruptions, les appels de fonctions et le changement de voix, LLM ou outils pendant la session. Le service suit le protocole OpenAI Realtime. Selon Inworld, si l'utilisateur parle pendant une réponse, la lecture s'arrête et l'historique ne conserve que ce qu'il a entendu. Les définitions d'outils peuvent être fournies au départ ou ajoutées ensuite.
Inference accepte des requêtes Chat Completions compatibles OpenAI avec un point d'accès Inworld, une clé API et un identifiant de modèle.
Inworld propose aussi des déploiements dédiés au modèle propre du client, avec capacité réservée et identifiant de modèle. L'entreprise cite les États-Unis, l'Europe, l'Inde et l'Asie-Pacifique pour ces déploiements, avec une option de conservation nulle des données sur les modèles qu'elle héberge.
Multi-Voice Generation crée un dialogue, une scène ou un podcast sous forme d'une piste assemblée, avec une voix, un modèle et des réglages propres à chaque ligne. Les lignes acceptent les balises de pilotage, la régénération individuelle et la comparaison ou restauration de prises et réglages antérieurs.
Le parcours documenté dans le navigateur est le suivant :
Le streaming WebSocket vise une faible latence ; la génération asynchrone vise les livres audio longs, les podcasts et les voix off.
Pour les agents vocaux en temps réel, une interruption arrête les segments non envoyés ; la synthèse déjà demandée reste facturable.
Inworld destine Creator à la création de contenu et aux petits projets, Builder aux projets en croissance et petites équipes, Developer aux applications en production, et Growth aux grands déploiements et besoins de conformité.
La langue du clone professionnel doit correspondre aux enregistrements. Le multilingue est expérimental ; l'anglais en-US est pleinement pris en charge.
Growth annonce des options ZDR, HIPAA et BAA ; Enterprise annonce des accords SLA et DPA ainsi que la résidence des données dans l'UE et en Inde.
Inworld fournit des SDK Node.js et Python dont les méthodes generate() gèrent le découpage, les nouvelles tentatives et l'encodage.
| Méthode de synthèse | Limite documentée | Livraison du résultat |
|---|---|---|
| HTTP sans streaming | Jusqu'à 2,000 caractères par requête | Audio complet dans une réponse |
| Streaming HTTP | Jusqu'à 4,000 caractères par requête | Blocs audio via HTTP |
| WebSocket | Connexion persistante | Blocs audio au fil de la génération |
| Asynchrone | Jusqu'à 100,000 caractères par tâche ; 10,000 sur On-Demand | Résultat après génération en arrière-plan |
| Traitement par lots | 20% de moins par caractère que la synthèse temps réel | Requêtes indépendantes traitées en arrière-plan |
Les limites du Playground sont distinctes : 2,000 caractères sur On-Demand et 40,000 sur les offres payantes en libre-service.
Le clonage instantané du Portal accepte un fichier WAV, MP3 ou WebM jusqu'à 12 MB et coupe automatiquement l'audio dépassant 30 secondes. L'enregistrement direct est aussi pris en charge et le parcours exige de confirmer les droits.
L'historique des générations du Playground est stocké localement par appareil et espace de travail, sans synchronisation entre navigateurs ni partage entre coéquipiers. Effacer le stockage du navigateur le réinitialise. Il permet réécoute, restauration, filtrage et téléchargement MP3.
Au relevé du 27 octobre 2026, les offres payantes incluent des crédits égaux à leur prix mensuel. Les tarifs reprennent le symbole $ du site, le TTS par million de caractères et le STT par heure d'audio ; la devise dollar précise n'a pas été vérifiée.
| Offre | Montant mensuel | TTS-2 / 1M caractères | TTS-2 Flash / 1M caractères | STT / heure |
|---|---|---|---|---|
| On-Demand | $0, paiement à l'usage | $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 | Sur mesure | Dès $5 | Sous $5 | Sur mesure |
Les abonnements annuels sont facturés une fois par an. Le site estime environ 1,000 caractères par minute d'audio ; le TTS est réellement mesuré en caractères.
On-Demand inclut gratuitement jusqu'à 70 minutes de TTS ou 400 minutes de STT. Les pages de tarification et facturation examinées ne précisaient pas d'expiration de cette allocation gratuite. API et Playground partagent les crédits entre TTS, STT, Inference et Realtime.
| Offre | Générations TTS simultanées | Connexions TTS WebSocket | Flux STT / sessions Realtime | Voix personnalisées / emplacements de clones professionnels |
|---|---|---|---|---|
| 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 | Sur mesure | Sur mesure | Sur mesure / Sur mesure | Sur mesure / 100+ |
La simultanéité est partagée entre les clés API du compte ; au-delà des limites garanties, les requêtes sont traitées au mieux. Les plafonds de connexion et de génération diffèrent.
Les crédits d'abonnement inutilisés se reportent jusqu'à 3 mois tant qu'un abonnement payant actif reste sur une offre de valeur égale ou supérieure. Chaque attribution garde son expiration initiale. Les achats supplémentaires et recharges automatiques expirent, eux, un an après l'achat et utilisent les tarifs d'usage du niveau actuel. Le guide de facturation impose un minimum de $10 pour ajouter des crédits.
Une montée en gamme est immédiate, ouvre un nouveau cycle de facturation et facture le prix intégral de la nouvelle offre. L'usage déjà mesuré est réglé séparément et les crédits reportés gardent leur expiration. Les baisses de gamme et résiliations prennent effet à la fin de la période en cours ; les crédits restants sont alors perdus. La résiliation se fait via Manage plan sur la page Billing du Portal.
Les Conditions autorisent la résiliation à tout moment mais prévoient des paiements non remboursables sauf obligation légale, sans écarter les droits locaux impératifs de résiliation.
Certains LLM premium exigent une carte enregistrée même avec un solde de crédits, et la transcription asynchrone exige aussi un moyen de paiement.
ElevenLabs offre le dialogue à plusieurs intervenants et des outils pour cloner sa propre voix ou en concevoir une nouvelle. Le recoupement concerne dialogue et narration, avec des limites et droits distincts.
Deepgram commercialise une synthèse vocale conçue pour conserver le contexte conversationnel et propose des déploiements cloud, cloud privé et sur site. Ce sont les affirmations de déploiement du concurrent.
Ces descriptions fonctionnelles n'établissent aucun classement comparatif de qualité.
La diarisation STT-1 est expérimentale ; les numéros de locuteurs persistent dans un flux ou une tâche et ne passent pas à d'autres flux. Les brouillons et tentatives échouées de clonage professionnel occupent aussi des emplacements de voix.
La latence d'une réponse en direct comprend détection du tour et synthèse. Inworld rapporte un premier audio au plus rapide à 204 ms après clôture du tour parmi 37 tours et une médiane de 462 ms sur 17 tours mesurés. Le VAD sémantique à forte réactivité a mis une médiane de 954 ms après le dernier mot de l'utilisateur pour fermer le tour.
L'offre On-Demand mentionne une licence commerciale. Les conditions propres au service indiquent que, sauf disposition expresse, le client conserve ses droits d'entrée et de sortie vis-à-vis d'Inworld, et autorisent l'usage des sorties téléchargeables hors du service sous réserve des Conditions et de la politique d'utilisation acceptable. Le téléchargement existe pour certains services, pas tous.
Les modèles vocaux doivent utiliser la voix du client ou une voix qu'il est autorisé à partager. Le client doit détenir les droits nécessaires pour fournir les entrées, créer les sorties et accorder les licences indiquées. Les conditions vocales autorisent l'usage des entrées pour fournir, améliorer et sécuriser les services, et des modèles vocaux utilisateur pour les fournir et les améliorer.
Pour les apps de jeu de rôle, Inworld évoque le choix et le routage de modèles NSFW/SFW adaptés aux politiques de contenu propres aux développeurs. Cela n'établit pas une autorisation générale de tous les contenus pour adultes sur la plateforme.
La politique d'utilisation acceptable exige de signaler clairement et visiblement que l'utilisateur interagit avec une IA plutôt qu'un humain. Dans la section Voice and Speech Services, les conditions du service interdisent les entrées contenant des PHI. Une section distincte Managed GPU Services évoque un BAA séparé pour les PHI ; cette exception concerne ce service et ne réécrit pas en soi la section vocale.
Les Conditions disent qu'Inworld n'entraînera pas de modèles généralement disponibles sur des Materials non publics, sauf les retours et les éléments signalés pour examen de confiance et sécurité. La clause de retour accorde une licence illimitée, perpétuelle et irrévocable d'utiliser retours ou suggestions ; la clause de sécurité autorise l'usage ou l'analyse pour améliorer détection et application des règles. La promesse de non-entraînement comporte ces réserves.
La notice de confidentialité a son propre champ : informations du site et des services associés, à l'exclusion de celles traitées pour des clients entreprises. Dans ce cadre, elle décrit l'usage d'informations en recherche et développement, y compris l'entraînement de modèles d'IA. Leurs catégories d'informations et conditions diffèrent.
La notice indique que les informations biométriques vocales peuvent servir à fournir, analyser et améliorer les services, sauf opposition de l'utilisateur. Elles sont conservées jusqu'à satisfaction de la finalité de collecte ou au plus trois ans après l'accès au compte, selon la première échéance. Les informations personnelles générales sont gardées aussi longtemps que nécessaire aux finalités indiquées, obligations légales ou autres besoins commerciaux expliqués dans la notice.
Pour les résidents couverts par la section de la notice relative à certains États américains, selon leur résidence et sous réserve de limites, la notice prévoit des droits de demander accès, portabilité, suppression et rectification, avec vérification des demandes.
Le ZDR est inclus dans Enterprise et Enterprise-Trial et proposé en option sur Growth. Il se configure au niveau organisation ou espace de travail ; la dérogation de l'espace prévaut. Son activation arrête la conservation future des contenus éligibles, sans supprimer les contenus antérieurs. Entrées et sorties éligibles sont traitées en mémoire puis expurgées, avec une couverture différente selon le produit.
Les métadonnées de facturation restent conservées. Les échantillons de clonage, descriptions Voice Design ou scripts d'aperçu ne sont pas éligibles ; les requêtes LLM routées vers des tiers sont hors de la couverture ZDR des LLM hébergés.
Les résultats asynchrones et par lots sont normalement gardés environ 7 jours dans un stockage géré par Inworld pour téléchargement. ZDR activé, une tâche qui y conserverait ses résultats est refusée avant synthèse ; la livraison vers un stockage appartenant au client est l'alternative documentée.
L'activité du Playground et de l'API consomme le même solde commun aux produits.
Le clonage instantané utilise un court échantillon. Le clonage professionnel est bêta et ajoute un jeu de données plus grand, un entraînement en arrière-plan et des quotas d'emplacements vocaux distincts.
Non. Les mesures TTS côté serveur excluent le réseau ; reconnaissance, raisonnement et détection des tours ajoutent d'autres temps d'attente.
