Inworld AI 是為消費型應用提供即時語音模型與 LLM 推論的平台。它以 Realtime TTS-2 和 TTS-2 Flash 提供文字轉語音，以 Realtime STT-1 提供轉錄，並將聆聽、推論及口語回覆整合為語音對語音對話。目標用途涵蓋陪伴、學習、社交應用、個人代理、健康、健身與娛樂。
在共用平台中，語音生成、傳入音訊與 LLM token 各自計量。
瀏覽器 TTS Playground 也可產生能下載的片段，不需撰寫應用程式碼。
Realtime TTS-2 支援自然語言引導與 200+ 種語言及地區變體；TTS-2 Flash 定位為延遲敏感、大量使用的工作負載。模型 ID 是 inworld-tts-2 及 inworld-tts-2-flash。
模型文件報告 TTS-2 的數值為 100 ms、Flash 為 20 ms，皆為伺服器端 P90 首個音訊位元組時間，未含網路延遲。這些廠商測量僅涵蓋合成。
舊有 TTS-1 與 TTS-1.5 模型已棄用，不建議新專案使用。
即時聲音複製最少可用 3 秒、最多 30 秒音訊；Inworld 表示較長樣本能提升相似度。30 秒限制適用於 2026 年 8 月 15 日起建立的複製聲音；更早建立者仍保留 15 秒提示音訊。
Voice Design 以文字描述建立聲音，不使用參考錄音。Freeform 模式接受最多 1,000 字元的英文描述，Structured 模式則直接編輯聲音設定檔。可編輯屬性包含方言、年齡、情緒、音高及音色質感；語言與口音也適用於預覽腳本。
每次設計生成最多產生 3 個聲音預覽，選中的聲音可命名並儲存至聲音庫。
Professional Voice Cloning 是 beta 流程，使用更多音訊並進行非同步訓練。它要求合計至少 10 分鐘音訊，可接受最多 50 個樣本、總計 1 GB，並要求確認有權複製該聲音。訓練通常需 30–60 分鐘，繁忙時可能更久。
Realtime STT-1 可轉錄 30 種語言，自動偵測所說語言，並支援在對話中切換語言。它透過同步與 WebSocket 端點運作。
聲音特徵分析會隨逐字稿傳回情緒、發聲風格、估計年齡與口音等訊號。這些系統判讀可成為 LLM 上下文與 TTS-2 表達指令。
語音對語音 API 透過單一 WebSocket 或 WebRTC 連線接收並傳回語音，使用開發者選擇的 LLM。它能呼叫工具，使用一般、複製或設計的 TTS-2 聲音，並在工作階段內處理輪次偵測與打斷。電話整合採用 Twilio Media Streams，以 8 kHz 的 G.711 μ-law 或 A-law 音訊運作。
即時控制涵蓋語意輪次偵測、打斷處理、函式呼叫，以及在工作階段中更換聲音、LLM 或工具。服務遵循 OpenAI Realtime 協定。Inworld 表示，使用者在回覆途中插話時會停止播放，對話紀錄只保留使用者已聽到的內容。工具定義可一開始提供，也可之後加入。
Inference 接受相容於 OpenAI 的 Chat Completions 請求，使用 Inworld 端點、API 金鑰及模型 ID。
Inworld 也為客戶自有模型提供專屬部署，包含保留容量及模型 ID。公司列出的專屬部署地區為美國、歐洲、印度及亞太，其託管模型可採零資料保留。
Multi-Voice Generation 能將對話、場景或 Podcast 製成一條拼接音軌，每行分別選擇聲音、模型與設定。各行支援引導標籤、個別重新生成，以及比較或還原先前版本與設定。
文件所述的瀏覽器流程如下：
WebSocket 串流以低延遲為目標；非同步生成面向長篇有聲書、Podcast 與配音。
即時語音代理遭打斷時會停止尚未傳送的片段；已請求的合成仍會計費。
Inworld 將 Creator 定位於內容創作與小型專案，Builder 用於成長中的專案與小團隊，Developer 用於正式營運的應用，Growth 用於大規模部署及法遵需求。
專業複製的語言必須與錄音一致。多語言支援仍屬實驗性；英文 en-US 已完整支援。
Growth 宣傳有 ZDR、HIPAA 與 BAA 加購項目；Enterprise 宣傳提供 SLA、DPA 安排，以及歐盟和印度的資料落地儲存。
Inworld 提供 Node.js 與 Python SDK，generate() 方法負責分塊、重試及編碼。
| 合成方式 | 文件所述限制 | 結果傳遞 |
|---|---|---|
| 非串流 HTTP | 每次請求最多 2,000 字元 | 單次回應傳回完整音訊 |
| HTTP 串流 | 每次請求最多 4,000 字元 | 透過 HTTP 傳送音訊區塊 |
| WebSocket | 持續連線 | 隨生成傳送音訊區塊 |
| 非同步 | 每項作業最多 100,000 字元；On-Demand 為 10,000 | 背景生成完成後傳回結果 |
| 批次 | 每字元比即時合成便宜 20% | 背景處理獨立請求 |
Playground 另有字數限制：On-Demand 為 2,000 字元，付費自助方案為 40,000 字元。
Portal 即時複製接受一個 WAV、MP3 或 WebM 檔，上限 12 MB，音訊超過 30 秒會自動裁切。也支援直接錄音，流程要求確認權利。
Playground 生成紀錄依裝置及工作區儲存在本機，不跨瀏覽器同步，也不與團隊成員共用。清除瀏覽器儲存空間會重設紀錄。紀錄支援重播、還原、篩選及 MP3 下載。
依 2026 年 10 月 27 日記錄，付費方案包含與月費等值的點數。費率沿用網站的 $ 符號，TTS 按每百萬字元、STT 按每音訊小時計價；$ 代表的具體幣別尚未核實。
| 方案 | 月費 | TTS-2 / 1M 字元 | TTS-2 Flash / 1M 字元 | STT / 小時 |
|---|---|---|---|---|
| On-Demand | $0，依用量付費 | $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 | 客製報價 | 低至 $5 | 低於 $5 | 客製報價 |
年繳訂閱每年一次收費。網站估計每分鐘音訊約 1,000 字元；TTS 實際按字元計量。
On-Demand 免費包含最多 70 分鐘 TTS 或 400 分鐘 STT。已審閱的定價與計費頁面未載明這項免費額度的到期日。API 與 Playground 共用涵蓋 TTS、STT、Inference 及 Realtime 的點數。
| 方案 | TTS 同時生成數 | TTS WebSocket 連線數 | STT 串流 / Realtime 工作階段 | 自訂聲音 / 專業複製名額 |
|---|---|---|---|---|
| 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 | 客製 | 客製 | 客製 / 客製 | 客製 / 100+ |
並行額度由帳號內各 API 金鑰共用；超過保證額度的請求採盡力處理。連線與生成數上限不同。
未用的訂閱點數最多展延 3 個月，條件是維持有效付費訂閱，且方案價值相同或更高。每筆核發點數保留原到期日。另購及自動加值點數則於購買一年後到期，依目前方案的用量費率使用。計費指南規定加購點數至少 $10。
升級立即生效，啟動新計費週期並收取新方案全額。既有計量用量另行結算，展延點數維持原到期日。降級與取消於目前計費週期結束時生效，屆時剩餘點數失效。可在 Portal 的 Billing 頁面透過 Manage plan 取消。
條款允許隨時取消，但規定除法律要求外款項不退還，且不凌駕當地強制性的取消權利。
部分進階 LLM 即使有點數餘額也要求留存信用卡；非同步轉錄也須有付款方式。
ElevenLabs 支援多說話者對話，並提供複製使用者自身聲音或設計新聲音的工具。重疊用途為對話與旁白，其限制和權利另有規範。
Deepgram 宣傳其文字轉語音旨在保留對話上下文，並提供雲端、私有雲與地端部署選項。這些是該競品的部署主張。
這些功能描述並不構成品質比較排名。
STT-1 的說話者分離仍屬實驗性；說話者編號在單一串流或作業內延續，不會沿用至不同串流。專業複製草稿及失敗嘗試也占用聲音名額。
即時回覆延遲同時包含輪次偵測與合成。Inworld 報告在 37 個輪次中，輪次結束後最快的首段音訊為 204 ms，17 個測量輪次的中位數為 462 ms；高積極度語意 VAD 在使用者最後一個詞後結束輪次的中位時間為 954 ms。
On-Demand 列有商用授權。服務專用條款指出，除明文另訂外，在客戶與 Inworld 之間，客戶保留輸入及輸出權利；可下載的輸出可於服務外使用，但須遵守條款與《可接受使用政策》。部分服務可下載，並非全部服務。
聲音模型必須使用客戶自己的聲音或獲准分享的聲音。客戶必須具有提供輸入、建立輸出及授予所述授權的必要權利。聲音條款授權為提供、改進和保護服務使用輸入，並授權為提供與改進服務使用使用者聲音模型。
針對角色扮演應用，Inworld 討論依開發者自身內容政策選擇及路由 NSFW/SFW 模型。這不代表平台全面允許所有成人內容。
《可接受使用政策》要求清楚且醒目地揭露使用者正在與 AI 而非真人互動。服務專用條款的 Voice and Speech Services 章節禁止含 PHI 的輸入。另一個 Managed GPU Services 章節提到針對 PHI 的獨立 BAA；該例外適用於該服務，本身不改寫語音服務章節。
條款表示 Inworld 不會以非公開 Materials 訓練普遍可用的模型，但回饋及被標記須信任與安全審查的材料除外。回饋條款授予使用回饋或建議的不受限、永久、不可撤銷授權；安全條款允許為改善偵測及執行而使用或分析材料。不訓練聲明有這些限制條件。
《隱私權通知》有獨立適用範圍，涵蓋網站及相關服務資訊，不含代表企業客戶處理的資訊。在該範圍內，它描述將資訊用於研發，包括訓練 AI 模型。兩者資訊類別與條件不同。
通知表示，除非使用者選擇退出，聲音生物辨識資訊可用於提供服務及分析、改善服務。保留至蒐集目的達成，或帳號存取後最長三年，以先到者為準。一般個人資訊則依所述目的、法律要求或通知說明的其他業務目的所需期間保留。
對於通知中某些美國州章節涵蓋的居民，依居住地且受限制條件約束，通知提供請求存取、可攜、刪除及更正資訊的權利，請求須經驗證。
ZDR 包含於 Enterprise 與 Enterprise-Trial，Growth 則可加購。可於組織或工作區層級設定，以工作區覆寫設定優先。啟用後停止保留未來符合資格的內容，不刪除先前已蒐集內容。符合資格的輸入與輸出在記憶體中處理，處理後遮蔽，各產品涵蓋範圍不同。
計費中繼資料仍會保留。聲音複製樣本、Voice Design 描述或預覽腳本不符合資格，路由至第三方的 LLM 請求也不在託管 LLM 的 ZDR 範圍內。
非同步及批次結果通常在 Inworld 管理的儲存空間保留約 7 天供下載。啟用 ZDR 時，需要將結果保留於該處的作業會在合成前遭拒；文件所列替代方式為交付至客戶自有儲存空間。
Playground 與 API 活動使用同一筆跨產品餘額。
即時複製使用短樣本。專業複製處於 beta，需較大資料集、背景訓練，另有聲音名額限制。
不是。伺服器端 TTS 測量未含網路延遲；辨識、推論與輪次偵測還會增加其他等待時間。
