Создавайте речь, расшифровки и живые голосовые диалоги на общей API-инфраструктуре. В браузере доступны дизайн и клонирование голоса, а также аудио с несколькими говорящими.
Пользовались этим инструментом? Оцените его
Пользовались этим инструментом? Оцените его
Inworld AI — платформа голосовых моделей реального времени и LLM-инференса для потребительских приложений. Она предлагает синтез речи через Realtime TTS-2 и TTS-2 Flash, транскрибацию через Realtime STT-1 и голосовые диалоги, объединяющие слушание, рассуждение и устные ответы. Целевые задачи включают компаньонов, обучение, социальные приложения, личных агентов, здоровье, фитнес и развлечения.
Сгенерированная речь, входящее аудио и токены LLM учитываются отдельно в рамках общей платформы.
Браузерный TTS Playground также создаёт доступные для скачивания клипы без кода приложения.
Realtime TTS-2 поддерживает управление естественным языком и 200+ языков и локалей; TTS-2 Flash позиционируется для больших объёмов с критичной задержкой. Идентификаторы моделей — inworld-tts-2 и inworld-tts-2-flash.
Документация моделей указывает 100 ms для TTS-2 и 20 ms для Flash по серверному P90 времени до первого аудиобайта, без сетевой задержки. Эти измерения поставщика охватывают только синтез.
Прежние TTS-1 и TTS-1.5 устарели и не рекомендованы для новых проектов.
Мгновенное клонирование голоса использует от 3 до 30 секунд аудио; по словам Inworld, более длинные образцы улучшают сходство. Предел 30 секунд применяется к клонам, созданным 15 августа 2026 года и позднее; более ранние сохраняют 15-секундную аудиоподсказку.
Voice Design создаёт голос по письменному описанию вместо эталонной записи. Режим Freeform использует английское описание до 1,000 символов, а Structured позволяет править профиль напрямую. Среди настраиваемых атрибутов — диалект, возраст, эмоция, высота и фактура; язык и акцент также относятся к текстам предпрослушивания.
Одна генерация дизайна даёт до 3 голосовых превью. Выбранным голосам можно дать имена и сохранить их в библиотеке.
Professional Voice Cloning — бета-процесс с большим объёмом аудио и асинхронным обучением. Нужны суммарно минимум 10 минут аудио; допускается до 50 образцов общим объёмом 1 GB и требуется подтвердить право клонировать голос. Обучение обычно занимает 30–60 минут, а при нагрузке может длиться дольше.
Realtime STT-1 транскрибирует 30 языков, автоматически определяет язык речи и поддерживает его смену в разговоре. Доступны синхронные и WebSocket-эндпоинты.
Профилирование голоса возвращает вместе с расшифровкой такие сигналы, как эмоция, манера речи, предполагаемый возраст и акцент. Эти интерпретации системы могут стать контекстом LLM и указаниями по подаче для TTS-2.
API «речь в речь» принимает и возвращает голос по одному соединению WebSocket или WebRTC, используя выбранную разработчиком LLM. Оно может вызывать инструменты и использовать обычные, клонированные или спроектированные голоса TTS-2, обрабатывая смену реплик и перебивания внутри сессии. Телефонная интеграция использует Twilio Media Streams и аудио G.711 μ-law или A-law на 8 kHz.
Управление в реальном времени включает семантическое определение конца реплики, перебивания, вызовы функций и смену голоса, LLM или инструментов в сессии. Сервис следует протоколу OpenAI Realtime. По словам Inworld, при перебивании ответа воспроизведение останавливается, а история сохраняет лишь услышанное пользователем. Определения инструментов можно передать в начале или добавить позднее.
Inference принимает совместимые с OpenAI запросы Chat Completions с эндпоинтом Inworld, API-ключом и идентификатором модели.
Inworld также предлагает выделенное развёртывание собственной модели клиента с резервом мощности и идентификатором модели. Компания называет США, Европу, Индию и Азиатско-Тихоокеанский регион; для моделей на её хостинге доступно нулевое хранение данных.
Multi-Voice Generation создаёт диалог, сцену или подкаст как одну склеенную дорожку, с отдельным голосом, моделью и настройками для каждой строки. Строки поддерживают управляющие теги, отдельную повторную генерацию, сравнение или восстановление прошлых дублей и настроек.
Документированный порядок работы в браузере:
Потоковая передача WebSocket рассчитана на малую задержку; асинхронная генерация — на длинные аудиокниги, подкасты и закадровую озвучку.
Голосовые агенты реального времени при перебивании останавливают неотправленные сегменты; уже запрошенный синтез остаётся платным.
Inworld позиционирует Creator для создания контента и малых проектов, Builder — для растущих проектов и небольших команд, Developer — для рабочих приложений, Growth — для крупных развёртываний и требований соответствия нормам.
Язык профессионального клона должен совпадать с записями. Многоязычность экспериментальная; английский en-US поддерживается полностью.
Growth рекламирует дополнения ZDR, HIPAA и BAA; Enterprise — соглашения SLA и DPA, а также размещение данных в ЕС и Индии.
Inworld предоставляет SDK для Node.js и Python: их методы generate() управляют разбиением на блоки, повторными попытками и кодированием.
| Метод синтеза | Ограничение по документации | Выдача результата |
|---|---|---|
| HTTP без потоковой передачи | До 2,000 символов на запрос | Полное аудио одним ответом |
| Потоковый HTTP | До 4,000 символов на запрос | Аудиоблоки по HTTP |
| WebSocket | Постоянное соединение | Аудиоблоки по мере генерации |
| Асинхронный | До 100,000 символов на задание; 10,000 в On-Demand | Результат после фоновой генерации |
| Пакетный | На 20% дешевле за символ, чем синтез в реальном времени | Независимые запросы обрабатываются в фоне |
У Playground отдельные лимиты: 2,000 символов на On-Demand и 40,000 на платных самостоятельных тарифах.
Мгновенное клонирование в Portal принимает один файл WAV, MP3 или WebM до 12 MB и автоматически обрезает аудио длиннее 30 секунд. Поддерживается и прямая запись; процесс требует подтверждения прав.
История генераций Playground хранится локально для каждого устройства и рабочего пространства, не синхронизируется между браузерами и не передаётся коллегам. Очистка хранилища браузера сбрасывает её. История поддерживает прослушивание, восстановление, фильтрацию и скачивание MP3.
По состоянию на 27 октября 2026 года платные тарифы включают кредиты на сумму месячной цены. Ставки используют символ $ с сайта: TTS за миллион символов, STT за час аудио; конкретная долларовая валюта не проверена.
| Тариф | Месячная плата | TTS-2 / 1M символов | TTS-2 Flash / 1M символов | STT / час |
|---|---|---|---|---|
| On-Demand | $0, оплата по использованию | $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 | Индивидуально | От $5 | Менее $5 | Индивидуально |
Годовые подписки оплачиваются один раз в год. Сайт оценивает минуту аудио примерно в 1,000 символов; фактически TTS учитывается по символам.
On-Demand бесплатно включает до 70 минут TTS или 400 минут STT. В изученных страницах цен и оплаты срок действия этого бесплатного объёма не указан. API и Playground делят кредиты между TTS, STT, Inference и Realtime.
| Тариф | Одновременные генерации TTS | Соединения TTS WebSocket | Потоки STT / сессии Realtime | Пользовательские голоса / места профессиональных клонов |
|---|---|---|---|---|
| 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 | Индивидуально | Индивидуально | Индивидуально / Индивидуально | Индивидуально / 100+ |
Параллелизм общий для API-ключей аккаунта; выше гарантированных лимитов запросы обслуживаются по мере возможностей. Потолки соединений и генераций различаются.
Неиспользованные подписочные кредиты переносятся до 3 месяцев при сохранении активной платной подписки на тарифе равной или большей стоимости. Каждое начисление сохраняет исходный срок. Дополнительные покупки и автопополнения истекают через год после покупки и используют ставки текущего уровня. Руководство по оплате устанавливает минимум $10 для добавления кредитов.
Повышение тарифа действует сразу, начинает новый расчётный цикл и списывает полную цену нового плана. Уже измеренное использование оплачивается отдельно; перенесённые кредиты сохраняют исходный срок. Понижение и отмена действуют с конца текущего периода, когда оставшиеся кредиты сгорают. Отмена доступна через Manage plan на странице Billing в Portal.
Условия позволяют отменить подписку в любой момент, но не предусматривают возврат платежей, кроме обязательного по закону, не отменяя императивные местные права на отказ.
Некоторые премиальные LLM требуют привязанную карту даже при наличии кредитов; асинхронной транскрибации тоже нужен способ оплаты.
ElevenLabs поддерживает диалоги нескольких говорящих и инструменты клонирования собственного голоса пользователя или дизайна нового. Пересечение — диалоги и озвучка, с отдельными ограничениями и правами.
Deepgram продвигает синтез речи, рассчитанный на сохранение контекста беседы, и предлагает облачное, частное облачное и локальное развёртывание. Это заявления конкурента о вариантах размещения.
Эти описания функций не устанавливают сравнительный рейтинг качества.
Диаризация в STT-1 экспериментальна; номера говорящих сохраняются в одном потоке или задании и не переносятся между отдельными потоками. Черновики и неудачные попытки профессионального клонирования тоже занимают голосовые места.
Задержка живого ответа включает определение конца реплики и синтез. Inworld сообщает о самом быстром первом аудио через 204 ms после закрытия реплики среди 37 реплик и медиане 462 ms по 17 измеренным репликам. Семантический VAD с высокой готовностью к завершению закрывал реплику через медианные 954 ms после последнего слова пользователя.
В On-Demand указана коммерческая лицензия. Специальные условия сервиса гласят, что между клиентом и Inworld права на ввод и вывод сохраняются у клиента, кроме прямо оговорённых исключений, а скачиваемый вывод можно использовать вне сервиса с соблюдением Условий и политики допустимого использования. Скачивание доступно в некоторых, не во всех сервисах.
Голосовые модели должны использовать голос клиента либо голос, которым он уполномочен делиться. Клиент должен иметь необходимые права на передачу ввода, создание вывода и предоставление указанных лицензий. Голосовые условия лицензируют ввод для предоставления, улучшения и защиты сервисов, а пользовательские голосовые модели — для предоставления и улучшения.
Для ролевых приложений Inworld обсуждает выбор и маршрутизацию моделей NSFW/SFW под собственные политики контента разработчиков. Это не устанавливает общего разрешения платформы на весь контент для взрослых.
Политика допустимого использования требует ясно и заметно сообщать, что пользователь общается с ИИ, а не человеком. В разделе Voice and Speech Services специальные условия запрещают ввод с PHI. Отдельный раздел Managed GPU Services упоминает отдельное BAA для PHI; это исключение относится к тому сервису и само по себе не изменяет голосовой раздел.
Условия говорят, что Inworld не обучает общедоступные модели на непубличных Materials, кроме отзывов и материалов, отмеченных для проверки доверия и безопасности. Положение об отзывах даёт неограниченную, бессрочную, безотзывную лицензию использовать отзывы или предложения; положение о безопасности допускает использование или анализ для улучшения выявления и применения правил. У заявления об отказе от обучения есть эти оговорки.
У уведомления о конфиденциальности своя область: данные сайта и связанных сервисов, без информации, обрабатываемой от имени корпоративных клиентов. В этих пределах оно описывает использование для исследований и разработки, включая обучение моделей ИИ. Категории информации и условия этих документов различаются.
Уведомление допускает использование голосовой биометрии для предоставления, анализа и улучшения сервисов, если пользователь не отказался. Она хранится до достижения цели сбора либо до трёх лет после доступа к аккаунту — до того, что наступит раньше. Общая персональная информация хранится столько, сколько нужно для заявленных целей, требований закона или иных деловых целей, объяснённых в уведомлении.
Для жителей, охваченных разделом уведомления об отдельных штатах США, в зависимости от места проживания и с ограничениями предусмотрено право запросить доступ, переносимость, удаление и исправление; запросы подлежат проверке.
ZDR включён в Enterprise и Enterprise-Trial и доступен как дополнение Growth. Настройка возможна на уровне организации или рабочего пространства, с приоритетом переопределения пространства. Включение останавливает будущее хранение подходящего контента, но не удаляет ранее собранный. Подходящие ввод и вывод обрабатываются в памяти и затем редактируются с сокрытием данных; охват различается по продуктам.
Метаданные оплаты сохраняются. Образцы клонирования, описания Voice Design и тексты предпрослушивания не подходят; запросы LLM, направленные третьим лицам, не входят в ZDR для размещённых LLM.
Асинхронные и пакетные результаты обычно хранятся около 7 дней в управляемом Inworld хранилище для скачивания. При ZDR задание, которому нужно хранить там результат, отклоняется до синтеза; документированная альтернатива — передача в хранилище клиента.
Активность Playground и API расходует общий межпродуктовый баланс.
Мгновенное клонирование использует короткий образец. Профессиональное находится в бета-версии и добавляет больший набор данных, фоновое обучение и отдельные лимиты мест для голосов.
Нет. Серверные измерения TTS исключают сеть; распознавание, рассуждение и определение смены реплик добавляют другие части ожидания.
