Inworld AI

Inworld AIとは？

Inworld AIは、消費者向けアプリのリアルタイム音声モデルとLLM推論のプラットフォームです。Realtime TTS-2とTTS-2 Flashで音声合成、Realtime STT-1で文字起こしを提供し、聞き取り、推論、音声応答を組み合わせた音声間対話に対応します。想定用途はコンパニオン、学習、ソーシャルアプリ、個人エージェント、健康、フィットネス、娯楽です。

共通プラットフォーム内で、生成音声、入力音声、LLMトークンを別々に計量します。

ブラウザーのTTS Playgroundでも、アプリのコードを書かずにダウンロード可能なクリップを作れます。

主な機能

音声モデルと配信

Realtime TTS-2は自然言語による指示と200+の言語・ロケールに対応し、TTS-2 Flashは低遅延が重要な大量処理向けに位置付けられています。モデルIDはinworld-tts-2とinworld-tts-2-flashです。

モデル文書の数値は、ネットワーク遅延を除くサーバー側P90の最初の音声バイトまでの時間で、TTS-2が100 ms、Flashが20 msです。このベンダー測定は合成のみを対象とします。

旧TTS-1とTTS-1.5は非推奨となり、新規プロジェクトへの使用は推奨されません。

声の作成

即時音声クローンは最短3秒、最大30秒の音声を使います。Inworldは、長いサンプルほど類似性が改善すると説明します。30秒の上限は2026年8月15日以降に作成したクローンに適用され、それ以前のクローンは15秒のプロンプト音声を保持します。

Voice Designは参照録音ではなく文章の説明から声を作ります。Freeformモードは最大1,000文字の英語の説明を使い、Structuredモードではプロファイルを直接編集します。編集属性には方言、年齢、感情、音高、声の質感が含まれ、言語とアクセントはプレビュー台本にも適用されます。

1回の設計生成で最大3つの声のプレビューが作られ、選んだ声に名前を付けて音声ライブラリーへ保存できます。

Professional Voice Cloningは、より多くの音声と非同期の学習工程を用いるベータ版です。合計10分以上の音声が必要で、最大50サンプル、合計1 GBを受け付け、クローン作成権限の確認を求めます。学習は通常30–60分かかり、混雑時には長引く場合があります。

文字起こしとリアルタイム対話

Realtime STT-1は30言語を文字起こしし、話されている言語を自動検出して、会話中の言語変更にも対応します。同期エンドポイントとWebSocketエンドポイントで動作します。

声のプロファイリングは、文字起こしとともに感情、話し方、推定年齢、アクセントなどの信号を返します。このシステムの解釈はLLMの文脈やTTS-2の表現指示として使えます。

音声間APIは開発者が選んだLLMを使い、1つのWebSocketまたはWebRTC接続で音声を受け取り、音声を返します。ツールを呼び出し、通常・クローン・設計したTTS-2の声を使い、セッション内でターン検出と割り込みを処理できます。電話連携にはTwilio Media Streamsと、8 kHzのG.711 μ-lawまたはA-law音声を使います。

リアルタイム制御には意味的ターン検出、割り込み処理、関数呼び出し、セッション中の声・LLM・ツールの変更があります。サービスはOpenAI Realtimeプロトコルに従います。Inworldによると、応答にユーザーが割り込むと再生が止まり、会話履歴にはユーザーが聞いた部分だけが残ります。ツール定義は開始時に渡すことも、後から追加することもできます。

言語モデル推論

Inferenceは、Inworldのエンドポイント、APIキー、モデルIDを使ったOpenAI互換のChat Completionsリクエストを受け付けます。

Inworldは顧客自身のモデル向けに、予約容量とモデルIDを持つ専用デプロイも提供します。同社は対象地域として米国、欧州、インド、アジア太平洋を挙げ、自社ホストモデルでゼロデータ保持を利用可能としています。

ガイド

ナレーションと対話の制作

Multi-Voice Generationは、対話、シーン、ポッドキャストを1本につないだトラックにし、行ごとに声、モデル、設定を指定します。各行で指示タグ、個別の再生成、以前のテイクや設定の比較・復元に対応します。

文書に示されたブラウザーでの手順は次のとおりです。

1. PortalでText-to-Speechを開き、文章を入力します。
2. 声を選びます。必要に応じて言語で絞り込むか、名前で検索できます。
3. モデルと利用可能な表現制御を設定し、音声を生成します。
4. 結果を再生するかクリップをダウンロードします。構成作品では話者を追加し、Generate Allで結合トラックを合成します。

アプリの処理フロー

WebSocketストリーミングは低遅延を、非同期生成は長編オーディオブック、ポッドキャスト、ボイスオーバーを対象とします。

リアルタイムエージェントでは、割り込みで未送信部分は止まりますが、すでに要求した合成は課金対象のままです。

対象ユーザー

InworldはCreatorをコンテンツ制作と小規模プロジェクト、Builderを成長中のプロジェクトと少人数チーム、Developerを本番アプリ、Growthを大規模デプロイとコンプライアンス需要向けに位置付けています。

プロ向けクローンの言語は録音と一致する必要があります。多言語対応は実験段階で、英語en-USは完全対応です。

GrowthはZDR、HIPAA、BAAの追加オプション、EnterpriseはSLA・DPAの取り決めとEU・インドのデータレジデンシーを案内しています。

プラットフォーム

InworldはNode.jsとPythonのSDKを提供し、generate()が分割、再試行、エンコードを処理します。

Playgroundには別の上限があり、On-Demandは2,000文字、有料セルフサービスプランは40,000文字です。

Portalの即時クローンは、最大12 MBのWAV、MP3、WebMのいずれか1ファイルを受け付け、30秒を超える音声を自動で切り詰めます。直接録音にも対応し、権利の確認が必要です。

Playgroundの生成履歴はデバイスとワークスペースごとにローカル保存され、ブラウザー間同期やチームメンバーとの共有はされません。ブラウザーのストレージを消すとリセットされます。履歴は再生、復元、絞り込み、MP3ダウンロードに対応します。

価格

2026年10月27日の記録では、有料プランは月額料金と同額のクレジットを含みます。料金はサイトの$記号を使い、TTSは100万文字、STTは音声1時間当たりです。具体的にどのドル通貨かは未確認です。

年間サブスクリプションは年1回請求されます。サイトは音声1分を約1,000文字と推定していますが、TTSの実際の計量単位は文字です。

On-DemandはTTS最大70分またはSTT最大400分を無料で含みます。確認した料金・請求ページには、この無料枠の有効期限は記載されていませんでした。APIとPlaygroundはTTS、STT、Inference、Realtimeをまたぐクレジットを共有します。

容量と音声枠

同時実行枠はアカウントのAPIキー間で共有します。保証上限を超えたリクエストはベストエフォート処理です。接続数と生成数の上限は異なります。

クレジット、更新、解約

同額以上のプランで有効な有料契約を維持すると、未使用の契約クレジットを最大3か月繰り越せます。各付与分は元の有効期限を維持します。追加購入と自動チャージのクレジットは購入1年後に失効し、現在のプランの従量料金を使います。請求ガイドの追加購入最低額は$10です。

アップグレードは即時適用され、新たな請求期間が始まり、新プランの全額が請求されます。既存の従量利用は別途精算され、繰越分は元の期限を保持します。ダウングレードと解約は現在の請求期間末に適用され、その時点で残高クレジットは失効します。PortalのBillingページのManage planから解約できます。

規約はいつでも解約可能とする一方、法律上必要な場合を除き支払いは返金不可とし、現地の強行的な解約権を覆すものではありません。

計量の対象

• TTS： 空白、句読点、タグを入力文字に含めます。絵文字や基本多言語面外の文字はUTF-16の2単位として数えます。合成とともに渡す声の設計プロンプトはリクエストごとに計量し、会話の文脈と音声を生成しない入力は除外します。
• STT： 送信音声を秒単位で数え、ストリームごとに整数秒へ切り上げます。空の文字起こしやストリーミング失敗前の送信音声も対象になり得ます。有効にした話者分離とVoice Profileは個別の秒単位追加機能で、結果がなくても計量します。失敗した同期リクエストと単語タイムスタンプは対象外です。
• Inference： 第三者へルーティングするLLMは提供元の表示価格を上乗せなしで使います。入力・出力・キャッシュのトークン分類は提供元の集計に従います。繰り返す履歴は毎回再計量し、推論文が返らなくても推論トークンは数えます。
• Realtime： 基盤となるSTT・LLM・TTS使用量を課金し、分単位やセッション単位の別料金はありません。音声を送る間はSTT使用量が増え続け、再生が中断されても生成音声は計量される場合があります。

一部のプレミアムLLMはクレジット残高があってもカード登録を要求し、非同期文字起こしにも支払い方法が必要です。

代替ツール

ElevenLabsは複数話者の対話と、ユーザー自身の声のクローンや新しい声の設計ツールを提供します。重なる用途は対話とナレーションで、制限と権利は別です。

Deepgramは会話の文脈を保持するよう設計した音声合成を宣伝し、クラウド、プライベートクラウド、オンプレミスの配備を提供します。これらは競合側の配備に関する主張です。

この機能説明から比較品質の順位は決まりません。

制限事項

モデルと処理フローの制約

STT-1の話者分離は実験段階です。話者番号は1つのストリームまたはジョブ内で継続し、別のストリームへは引き継ぎません。プロ向けクローンの下書きや失敗した試行も音声枠を使います。

リアルタイム応答の遅延はターン検出と合成を含みます。Inworldは、37ターン中でターン終了後の最速の最初の音声が204 ms、測定した17ターンの中央値が462 msと報告しています。一方、積極度の高い意味的VADがユーザーの最後の単語からターンを閉じるまでの中央値は954 msでした。

声の権利と許される出力

On-Demandには商用ライセンスが記載されています。サービス別規約では、明示された例外を除き、顧客とInworldの間では入力・出力の権利を顧客が保持し、ダウンロード可能な出力は規約と利用許容ポリシーに従ってサービス外で使えるとします。ダウンロードは一部のサービスのみです。

音声モデルには顧客自身の声、または共有権限を持つ声を使う必要があります。顧客は入力提供、出力作成、記載されたライセンス付与に必要な権利を持つ必要があります。音声規約はサービスの提供・改善・保護のための入力利用と、提供・改善のためのユーザー音声モデル利用を許諾します。

ロールプレイアプリについて、Inworldは開発者自身のコンテンツ方針に合うNSFW/SFWモデルの選択とルーティングを説明します。これは全成人コンテンツに対する一律の許可ではありません。

利用許容ポリシーは、対話相手が人間ではなくAIであることを明確かつ目立つ形で開示するよう求めます。サービス別規約のVoice and Speech Services節はPHIを含む入力を禁止します。別のManaged GPU Services節はPHI用の別途BAAに言及しますが、その例外は同サービスについてのもので、音声の節自体を書き換えるものではありません。

学習、保持、削除

規約は、Inworldが非公開のMaterialsで一般提供モデルを学習しないとする一方、フィードバックと信頼・安全審査対象に指定された資料を例外とします。フィードバック条項は意見や提案の利用に無制限・永続・取消不能のライセンスを付与し、安全条項は検出と執行の改善目的の利用・分析を許します。学習しないという文言にはこれらの条件があります。

プライバシー通知には独自の範囲があり、ウェブサイトと関連サービス情報を対象に、企業顧客に代わって処理する情報を除外します。その範囲ではAIモデル学習を含む研究開発への情報利用を説明しています。両者の情報区分と条件は異なります。

通知によると、オプトアウトしない限り、声の生体情報をサービス提供や分析・改善に使う場合があります。保持期間は収集目的の達成まで、またはアカウントへのアクセス後最長3年間のうち早い方です。一般の個人情報は、記載目的、法的要件、通知で説明する他の事業目的に必要な期間保持します。

米国の一部の州に関する通知の節が対象とする居住者には、居住地に応じ、制限付きでアクセス・可搬性・削除・訂正の請求権があり、請求には確認が行われます。

ゼロデータ保持

ZDRはEnterpriseとEnterprise-Trialに含まれ、Growthでは追加オプションです。組織またはワークスペースで設定でき、ワークスペースの上書きが優先します。有効化すると将来の適格コンテンツの保持を止めますが、以前に収集した内容は削除しません。適格な入出力はメモリーで処理され、処理後にマスキングされます。対象範囲は製品ごとに異なります。

請求メタデータは保持されます。音声クローンのサンプル、Voice Designの説明やプレビュー台本は対象外で、第三者へルーティングするLLMリクエストもホストLLM向けZDRの範囲外です。

非同期・バッチ結果は通常、ダウンロード用にInworld管理ストレージへ約7日間保持されます。ZDR有効時、その場所への結果保持が必要なジョブは合成前に拒否されます。顧客所有ストレージへの配信が文書上の代案です。

よくある質問

Q1. Playground契約には別枠のAPIクレジットが含まれますか？

PlaygroundとAPIの利用は同じ製品横断残高を消費します。

Q2. 即時クローンとプロ向けクローンは同じですか？

即時クローンは短いサンプルを使います。プロ向けはベータで、大きなデータセット、バックグラウンド学習、別の音声枠上限が加わります。

Q3. 低いTTS遅延は会話全体の遅延と同じですか？

違います。サーバー側TTS測定はネットワーク遅延を除外し、認識、推論、ターン検出にも待ち時間がかかります。