Crie fala, transcrições e conversas de voz ao vivo com infraestrutura de API compartilhada. O ambiente no navegador acrescenta design e clonagem de voz e produção de áudio com vários falantes.
Já usou esta ferramenta? Avalie-a
Já usou esta ferramenta? Avalie-a
Inworld AI é uma plataforma de modelos de voz em tempo real e inferência de LLM para aplicativos de consumo. Oferece texto para fala via Realtime TTS-2 e TTS-2 Flash, transcrição via Realtime STT-1 e conversas de fala para fala que combinam escuta, raciocínio e respostas faladas. Os usos visados incluem companheiros, aprendizado, apps sociais, agentes pessoais, saúde, fitness e entretenimento.
Fala gerada, áudio recebido e tokens de LLM têm medidores separados dentro de uma plataforma compartilhada.
O TTS Playground no navegador também cria clipes para download sem código de aplicativo.
Realtime TTS-2 aceita direcionamento em linguagem natural e 200+ idiomas e localidades; TTS-2 Flash é voltado a cargas de alto volume sensíveis à latência. Os IDs são inworld-tts-2 e inworld-tts-2-flash.
A documentação informa 100 ms para TTS-2 e 20 ms para Flash no P90 do tempo até o primeiro byte de áudio no servidor, sem latência de rede. Essas medições do fornecedor cobrem apenas a síntese.
Os modelos anteriores TTS-1 e TTS-1.5 estão obsoletos e não são recomendados para novos projetos.
A clonagem de voz instantânea usa de apenas 3 segundos até 30 segundos de áudio; a Inworld diz que amostras mais longas melhoram a semelhança. O limite de 30 segundos vale para clones criados em 15 de agosto de 2026 ou depois; os anteriores mantêm um prompt de 15 segundos.
Voice Design cria uma voz por descrição escrita, em vez de gravação de referência. O modo Freeform usa uma descrição em inglês de até 1,000 caracteres e o modo Structured permite editar diretamente o perfil. Os atributos editáveis incluem dialeto, idade, emoção, altura e textura; idioma e sotaque também se aplicam aos roteiros de prévia.
Uma geração de design produz até 3 prévias de voz. As selecionadas podem receber nomes e ser salvas na biblioteca de vozes.
Professional Voice Cloning é um fluxo beta com mais áudio e uma etapa de treinamento assíncrono. Exige pelo menos 10 minutos de áudio combinado, aceita até 50 amostras totalizando 1 GB e requer confirmar os direitos de clonar a voz. O treinamento costuma levar 30–60 minutos, podendo demorar mais em períodos de alta demanda.
Realtime STT-1 transcreve 30 idiomas, detecta automaticamente o idioma falado e permite mudanças de idioma na conversa. Opera por endpoints síncronos e WebSocket.
O perfilamento de voz retorna, junto à transcrição, sinais como emoção, estilo vocal, idade estimada e sotaque. Essas interpretações do sistema podem virar contexto do LLM e instruções de expressão para TTS-2.
A API de fala para fala recebe e retorna fala por uma única conexão WebSocket ou WebRTC, com um LLM escolhido pelo desenvolvedor. Pode chamar ferramentas e usar vozes TTS-2 comuns, clonadas ou projetadas, com detecção de turnos e interrupções tratadas na sessão. A integração telefônica usa Twilio Media Streams com áudio G.711 μ-law ou A-law a 8 kHz.
Os controles em tempo real incluem detecção semântica de turnos, interrupções, chamadas de funções e mudanças de voz, LLM ou ferramentas durante a sessão. O serviço segue o protocolo OpenAI Realtime. Segundo a Inworld, quando o usuário fala sobre uma resposta, a reprodução para e o histórico mantém apenas o que ele ouviu. Definições de ferramentas podem ser enviadas no início ou adicionadas depois.
Inference aceita requisições Chat Completions compatíveis com OpenAI com endpoint Inworld, chave de API e ID de modelo.
A Inworld também oferece implantações dedicadas para o modelo próprio do cliente, com capacidade reservada e ID de modelo. A empresa lista EUA, Europa, Índia e Ásia-Pacífico para essas implantações, com retenção zero de dados disponível nos modelos que hospeda.
Multi-Voice Generation cria diálogo, cena ou podcast como uma faixa única unida, com voz, modelo e configurações separados para cada linha. As linhas aceitam tags de direcionamento, regeneração individual e comparação ou restauração de tomadas e configurações anteriores.
O fluxo documentado no navegador é:
O streaming WebSocket visa baixa latência; a geração assíncrona visa audiolivros longos, podcasts e locuções.
Nos agentes de voz em tempo real, uma interrupção para segmentos ainda não enviados; a síntese já solicitada continua faturável.
A Inworld posiciona Creator para criação de conteúdo e pequenos projetos, Builder para projetos em crescimento e equipes pequenas, Developer para aplicativos em produção e Growth para grandes implantações e necessidades de conformidade.
O idioma do clone profissional deve corresponder às gravações. O suporte multilíngue é experimental; o inglês en-US tem suporte completo.
Growth anuncia adicionais ZDR, HIPAA e BAA; Enterprise anuncia acordos SLA e DPA, além de residência de dados na UE e na Índia.
A Inworld fornece SDKs Node.js e Python cujos métodos generate() cuidam de divisão em blocos, novas tentativas e codificação.
| Método de síntese | Limite documentado | Entrega do resultado |
|---|---|---|
| HTTP sem streaming | Até 2,000 caracteres por requisição | Áudio completo em uma resposta |
| Streaming HTTP | Até 4,000 caracteres por requisição | Blocos de áudio por HTTP |
| WebSocket | Conexão persistente | Blocos de áudio conforme são gerados |
| Assíncrono | Até 100,000 caracteres por tarefa; 10,000 no On-Demand | Resultado após geração em segundo plano |
| Em lote | 20% menos por caractere que a síntese em tempo real | Requisições independentes processadas em segundo plano |
Os limites do Playground são separados: 2,000 caracteres no On-Demand e 40,000 nos níveis pagos de autosserviço.
A clonagem instantânea do Portal aceita um arquivo WAV, MP3 ou WebM de até 12 MB e corta automaticamente áudio acima de 30 segundos. A gravação direta também é aceita, e o fluxo exige confirmação de direitos.
O histórico de geração do Playground é salvo localmente por dispositivo e espaço de trabalho; não sincroniza entre navegadores nem é compartilhado com colegas. Limpar o armazenamento do navegador o redefine. O histórico permite reproduzir, restaurar, filtrar e baixar MP3.
No registro de 27 de outubro de 2026, os níveis pagos incluem créditos iguais ao preço mensal. As tarifas usam o símbolo $ do site, com TTS por milhão de caracteres e STT por hora de áudio; a moeda específica de dólar não foi verificada.
| Plano | Cobrança mensal | TTS-2 / 1M caracteres | TTS-2 Flash / 1M caracteres | STT / hora |
|---|---|---|---|---|
| On-Demand | $0, pagamento 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 | Sob medida | A partir de $5 | Abaixo de $5 | Sob medida |
Assinaturas anuais são cobradas uma vez por ano. O site estima cerca de 1,000 caracteres por minuto de áudio; o TTS é efetivamente medido por caracteres.
On-Demand inclui gratuitamente até 70 minutos de TTS ou 400 minutos de STT. As páginas de preços e cobrança analisadas não indicaram validade para essa cota gratuita. API e Playground compartilham créditos entre TTS, STT, Inference e Realtime.
| Plano | Gerações TTS simultâneas | Conexões TTS WebSocket | Fluxos STT / sessões Realtime | Vozes personalizadas / vagas de clones profissionais |
|---|---|---|---|---|
| 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 | Sob medida | Sob medida | Sob medida / Sob medida | Sob medida / 100+ |
A concorrência é compartilhada entre as chaves de API da conta; acima dos limites garantidos, as requisições recebem atendimento conforme possível. Os tetos de conexões e de gerações diferem.
Créditos de assinatura não usados acumulam por até 3 meses enquanto uma assinatura paga ativa mantiver plano de valor igual ou superior. Cada concessão preserva sua validade original. Compras adicionais e recargas automáticas expiram, por sua vez, um ano após a compra e usam as tarifas de uso do nível atual. O guia de cobrança estabelece mínimo de $10 para adicionar créditos.
Um upgrade entra em vigor imediatamente, inicia novo ciclo de cobrança e cobra o preço integral do novo plano. O uso já medido é acertado separadamente, e créditos acumulados mantêm sua validade original. Downgrades e cancelamentos valem ao final do período atual, quando os créditos restantes são perdidos. É possível cancelar em Manage plan na página Billing do Portal.
Os Termos permitem cancelar a qualquer momento, mas dizem que os pagamentos não são reembolsáveis, salvo exigência legal, sem afastar direitos locais obrigatórios de cancelamento.
Alguns LLMs premium exigem cartão cadastrado apesar do saldo de créditos, e a transcrição assíncrona também requer forma de pagamento.
ElevenLabs oferece suporte a diálogo com vários falantes e ferramentas para clonar a própria voz do usuário ou projetar uma nova. A sobreposição é em diálogo e narração, com limites e direitos separados.
Deepgram divulga texto para fala projetado para reter contexto de conversa e oferece implantação em nuvem, nuvem privada e local. Essas são alegações do concorrente sobre implantação.
Essas descrições de recursos não estabelecem um ranking comparativo de qualidade.
A diarização em STT-1 é experimental; números de falantes persistem em um fluxo ou tarefa e não passam para fluxos separados. Rascunhos e tentativas falhas de clonagem profissional também ocupam vagas de voz.
A latência da resposta ao vivo inclui detecção de turnos e síntese. A Inworld relata o primeiro áudio mais rápido de 204 ms após fechar o turno entre 37 turnos e mediana de 462 ms em 17 turnos medidos. Já o VAD semântico de alta prontidão levou mediana de 954 ms após a última palavra do usuário para fechar o turno.
O plano On-Demand lista uma licença comercial. Os termos específicos do serviço dizem que clientes retêm direitos de entrada e saída perante a Inworld, exceto quando expressamente indicado, e permitem usar saídas baixáveis fora do serviço conforme os Termos e a Política de Uso Aceitável. O download é habilitado em alguns serviços, não em todos.
Modelos de voz devem usar a voz do cliente ou uma que ele esteja autorizado a compartilhar. O cliente deve ter os direitos necessários para fornecer entradas, criar saídas e conceder as licenças indicadas. Os termos de voz licenciam o uso das entradas para fornecer, melhorar e proteger os serviços, e dos modelos de voz do usuário para fornecê-los e melhorá-los.
Para apps de interpretação de papéis, a Inworld discute seleção e roteamento de modelos NSFW/SFW conforme as políticas de conteúdo dos próprios desenvolvedores. Isso não estabelece permissão geral da plataforma para todo conteúdo adulto.
A Política de Uso Aceitável exige informar de modo claro e destacado que usuários interagem com IA, e não um humano. Na seção Voice and Speech Services, os termos específicos proíbem entradas com PHI. Uma seção separada, Managed GPU Services, menciona um BAA separado para PHI; essa exceção é daquele serviço e não reescreve por si só a seção de voz.
Os Termos dizem que a Inworld não treinará modelos de disponibilidade geral com Materials não públicos, exceto feedback e materiais sinalizados para revisão de confiança e segurança. A cláusula de feedback dá licença irrestrita, perpétua e irrevogável para usar comentários ou sugestões; a de segurança permite uso ou análise para melhorar detecção e aplicação das regras. A declaração de não treinamento tem essas ressalvas.
O Aviso de Privacidade tem escopo próprio: informações do site e serviços relacionados, excluindo as processadas em nome de clientes empresariais. Nesse escopo, descreve uso para pesquisa e desenvolvimento, inclusive treinamento de modelos de IA. Suas categorias de informação e condições diferem.
O aviso diz que informações biométricas de voz podem servir para fornecer, analisar e melhorar serviços, salvo oposição do usuário. Elas são retidas até a finalidade da coleta ser atendida ou por até três anos após o acesso à conta, o que ocorrer primeiro. Informações pessoais gerais ficam pelo tempo necessário aos fins declarados, exigências legais ou outros fins comerciais explicados no aviso.
Para residentes abrangidos pela seção do aviso sobre certos estados dos EUA, conforme a residência e sujeito a limitações, o aviso prevê direitos de solicitar acesso, portabilidade, exclusão e correção, com verificação das solicitações.
ZDR está incluído em Enterprise e Enterprise-Trial e é um adicional de Growth. Pode ser configurado na organização ou no espaço de trabalho, com prioridade da substituição do espaço. Ativá-lo interrompe a retenção futura de conteúdo elegível; não exclui o coletado antes. Entradas e saídas elegíveis são processadas na memória e ocultadas após o processamento, com cobertura diferente por produto.
Metadados de cobrança continuam retidos. Amostras de clonagem e descrições ou roteiros de prévia do Voice Design não são elegíveis; requisições LLM roteadas a terceiros ficam fora da cobertura ZDR dos LLMs hospedados.
Resultados assíncronos e em lote normalmente ficam cerca de 7 dias em armazenamento gerenciado pela Inworld para download. Com ZDR, uma tarefa que reteria resultados ali é recusada antes da síntese; a alternativa documentada é a entrega a armazenamento do cliente.
A atividade do Playground e da API consome o mesmo saldo entre produtos.
A clonagem instantânea usa amostra curta. A profissional está em beta e acrescenta conjunto de dados maior, treinamento em segundo plano e limites separados de vagas de voz.
Não. As medições TTS no servidor excluem latência de rede; reconhecimento, raciocínio e detecção de turnos somam outras partes da espera.
