Inworld AI

Inworld AI 是什么？

Inworld AI 是面向消费应用的实时语音模型与 LLM 推理平台。它通过 Realtime TTS-2 和 TTS-2 Flash 提供文本转语音，通过 Realtime STT-1 提供转录，并将聆听、推理与语音回复组合为语音到语音对话。目标用途包括陪伴、学习、社交应用、个人代理、健康、健身与娱乐。

在共享平台内，语音生成、传入音频与 LLM token 分别计量。

浏览器 TTS Playground 也能生成可下载的片段，无需编写应用代码。

核心功能

语音模型与输出

Realtime TTS-2 支持自然语言引导及 200+ 种语言和区域变体；TTS-2 Flash 面向延迟敏感的大规模工作负载。模型 ID 为 inworld-tts-2 和 inworld-tts-2-flash。

模型文档报告 TTS-2 为 100 ms、Flash 为 20 ms，指标是服务端 P90 首个音频字节时间，不含网络延迟。这些厂商测量仅覆盖合成。

旧款 TTS-1 和 TTS-1.5 已弃用，不建议用于新项目。

声音创建

即时声音克隆最少使用 3 秒、最多 30 秒音频；Inworld 表示更长样本有助提高相似度。30 秒限制适用于 2026 年 8 月 15 日及之后创建的克隆；此前的克隆保留 15 秒提示音频。

Voice Design 根据文字描述而非参考录音创建声音。Freeform 模式接受最多 1,000 字符的英文描述，Structured 模式可直接编辑声音档案。可调属性包括方言、年龄、情绪、音高与音色质感；语言和口音也适用于预览脚本。

一次设计生成最多产出 3 个声音预览，选中的声音可命名并存入声音库。

Professional Voice Cloning 处于 beta，使用更多音频并需异步训练。它要求合计至少 10 分钟音频，接受最多 50 个样本、总计 1 GB，并要求确认声音克隆权利。训练通常需 30–60 分钟，繁忙时可能更久。

转录与实时对话

Realtime STT-1 转录 30 种语言，自动检测所说语言，并支持对话中切换语言。它通过同步和 WebSocket 端点运行。

声音特征分析随转录返回情绪、发声风格、估计年龄和口音等信号。这些系统解读可作为 LLM 上下文及 TTS-2 的表达指令。

语音到语音 API 在一个 WebSocket 或 WebRTC 连接中接收并返回语音，使用开发者选定的 LLM。它可调用工具，使用常规、克隆或设计的 TTS-2 声音，并在会话内处理轮次检测与打断。电话集成通过 Twilio Media Streams 使用 8 kHz 的 G.711 μ-law 或 A-law 音频。

实时控制包括语义轮次检测、打断处理、函数调用，以及在会话中更换声音、LLM 或工具。服务遵循 OpenAI Realtime 协议。Inworld 表示，用户在回复中插话时，播放会停止，对话历史只保留用户已听到的内容。工具定义可在开始时提供，也可稍后添加。

语言模型推理

Inference 接受兼容 OpenAI 的 Chat Completions 请求，使用 Inworld 端点、API 密钥和模型 ID。

Inworld 也为客户自有模型提供专用部署，配有预留容量与模型 ID。公司列出的专用部署地区有美国、欧洲、印度和亚太，其托管模型可采用零数据保留。

使用指南

旁白与对话制作

Multi-Voice Generation 可将对话、场景或播客生成为一条拼接音轨，每行单独设置声音、模型与参数。每行支持引导标签、单独重新生成，以及比较或恢复此前版本及设置。

文档中的浏览器操作流程如下：

1. 在 Portal 打开 Text-to-Speech，输入文字。
2. 选择声音，可按语言筛选或按名称搜索。
3. 设置模型及可用的表达控制项，再生成音频。
4. 播放结果或下载片段。制作组合音频时，添加说话人并使用 Generate All 合成拼接音轨。

应用工作流

WebSocket 流式输出面向低延迟；异步生成面向长篇有声书、播客和配音。

对于实时语音代理，打断会停止尚未发送的片段；已请求的合成仍计费。

适用人群

Inworld 将 Creator 定位为内容创作与小型项目，Builder 为成长项目与小团队，Developer 为生产应用，Growth 为大型部署与合规需求。

专业克隆的语言必须与录音匹配。多语言支持处于实验阶段；英语 en-US 已获完整支持。

Growth 宣传提供 ZDR、HIPAA 和 BAA 附加项；Enterprise 宣传提供 SLA、DPA 安排，以及欧盟和印度数据驻留。

支持平台

Inworld 提供 Node.js 和 Python SDK，其 generate() 方法负责分块、重试与编码。

Playground 另有限制：On-Demand 为 2,000 字符，付费自助档为 40,000 字符。

Portal 即时克隆接受一个 WAV、MP3 或 WebM 文件，上限 12 MB，超过 30 秒的音频会自动裁剪。也支持直接录音，流程要求确认权利。

Playground 生成历史按设备与工作区存于本地，不跨浏览器同步，也不与队友共享。清除浏览器存储会将其重置。历史支持重播、恢复、筛选及 MP3 下载。

价格套餐

截至 2026 年 10 月 27 日的记录，付费档包含等于月费的积分。费率保留网站的 $ 符号，TTS 按百万字符、STT 按音频小时计价；未核实 $ 具体代表哪种币种。

年度订阅每年一次性收费。网站估算每分钟音频约 1,000 字符；TTS 实际按字符计量。

On-Demand 免费包含最多 70 分钟 TTS 或 400 分钟 STT。审阅的价格与计费页面未说明该免费额度的到期日。API 和 Playground 共享覆盖 TTS、STT、Inference 与 Realtime 的积分。

容量与声音额度

并发额度由账户内各 API 密钥共享；超出保障限额的请求按尽力而为方式处理。连接数与生成数的上限不同。

积分、续订与取消

未用订阅积分最多结转 3 个月，条件是持续持有同等或更高价值套餐的有效付费订阅。每笔发放积分保留原到期日。额外购买与自动充值积分则在购买一年后到期，按当前档位的用量费率使用。计费指南规定加购积分最低 $10。

升级立即生效，开始新计费周期并收取新套餐全价。已有计量用量另行结算，结转积分保留原到期日。降级和取消于当前计费周期结束时生效，届时剩余积分作废。可在 Portal 的 Billing 页面通过 Manage plan 取消。

条款允许随时取消，但规定除法律要求外付款不予退还，且不取代当地强制性的取消权利。

各计量项的范围

• TTS： 空格、标点和标签计入输入字符。表情符号及基本多文种平面之外的其他字符按两个 UTF-16 单元计算。随合成提交的声音设计提示每次请求都计量；对话上下文及未产生音频的输入不计。
• STT： 提交的音频按秒计量，每条流向上取整至整秒。空转录及流式失败前发送的音频仍可能计量。启用时，说话人分离和 Voice Profile 是各自按秒收费的附加项，即使未返回结果也计量。失败的同步请求与词级时间戳不计。
• Inference： 路由至第三方的 LLM 按提供方标价收费，不加价。输入、输出、缓存 token 分类遵循提供方计数。重复历史在每次请求中重新计量，即使未返回推理文字，推理 token 仍计量。
• Realtime： 会话按底层 STT、LLM 与 TTS 用量收费，没有单独的每分钟或每会话价格。只要还在发送音频，STT 用量就继续累积；即使播放被打断，已生成语音仍可能计量。

部分高级 LLM 即使账户有积分也要求留存银行卡，异步转录同样需要付款方式。

替代工具

ElevenLabs 提供多说话人对话支持，以及克隆用户自身声音或设计新声音的工具。重叠用途是对话与旁白，其限制和权利另有规定。

Deepgram 宣传其文本转语音旨在保留对话上下文，并提供云、私有云和本地部署选项。这些是该竞品的部署声明。

这些功能描述不构成比较质量排名。

注意事项

模型与工作流边界

STT-1 的说话人分离处于实验阶段；说话人编号在一条流或一项任务内持续有效，不跨独立流沿用。专业克隆的草稿与失败尝试也占声音名额。

实时回复延迟包含轮次检测及合成。Inworld 报告，37 个轮次中，轮次关闭后的最快首段音频为 204 ms；17 个测量轮次的中位数为 462 ms；高积极度语义 VAD 在用户最后一个词后关闭轮次的中位时间为 954 ms。

声音权利与获准输出

On-Demand 列有商业许可。服务专用条款称，除明确另有规定外，在客户与 Inworld 之间，客户保留输入和输出权利；可下载输出可在服务外使用，但须遵守条款与《可接受使用政策》。部分服务提供下载，并非每项都提供。

声音模型必须使用客户自身或获授权分享的声音。客户须具有提供输入、创建输出及授予所述许可的必要权利。声音条款许可为提供、改进和保障服务而使用输入，并许可为提供及改进服务而使用用户声音模型。

对于角色扮演应用，Inworld 讨论按开发者自身内容政策选择和路由 NSFW/SFW 模型。这不代表平台一概允许所有成人内容。

《可接受使用政策》要求清楚、醒目地披露用户正在与 AI 而非人类互动。在 Voice and Speech Services 章节中，服务专用条款禁止输入包含 PHI。另一个 Managed GPU Services 章节提及用于 PHI 的单独 BAA；该例外针对该项服务，本身不改写声音服务章节。

训练、保留与删除

条款称 Inworld 不会用非公开 Materials 训练普遍可用的模型，但反馈及被标记为需信任与安全审查的材料除外。反馈条款授予使用反馈或建议的不受限制、永久且不可撤销的许可；安全条款允许为改进检测与执行而使用或分析材料。不训练声明带有这些限定。

《隐私通知》有自身适用范围：覆盖网站及相关服务信息，不含代表企业客户处理的信息。在此范围内，它描述为研发使用信息，包括训练 AI 模型。两者的信息类别与条件不同。

通知称，除非用户选择退出，声音生物识别信息可用于提供服务及分析、改进服务。其保留期至收集目的达成，或账户访问后最长三年，以较早者为准。一般个人信息会按所述目的、法律要求或通知解释的其他业务目的所需时长保留。

对于通知中某些美国州章节所覆盖的居民，视居住地且受限制条件约束，通知提供请求访问、可携带、删除和更正信息的权利，请求须经核验。

零数据保留

ZDR 包含在 Enterprise 和 Enterprise-Trial 中，Growth 则作为附加项提供。可在组织或工作区层级配置，工作区设置优先。启用会停止保留未来符合条件的内容，不会删除此前收集的内容。符合条件的输入输出在内存中处理，处理后脱敏，各产品覆盖范围不同。

计费元数据仍保留。声音克隆样本、Voice Design 描述或预览脚本不符合条件，路由至第三方的 LLM 请求也不在托管 LLM 的 ZDR 范围内。

异步与批量结果通常在 Inworld 管理的存储中保留约 7 天供下载。启用 ZDR 后，需要将结果保留于该处的任务会在合成前被拒绝；文档所述替代方案是交付至客户自有存储。

FAQ

Q1. Playground 订阅是否包含单独的 API 积分？

Playground 与 API 活动消耗同一个跨产品余额。

Q2. 即时克隆与专业克隆相同吗？

即时克隆使用短样本。专业克隆处于 beta，另需较大数据集、后台训练，并有单独的声音名额限制。

Q3. 低 TTS 延迟是否等于完整对话延迟？

不等于。服务端 TTS 测量不含网络延迟，识别、推理与轮次检测还会增加其他等待时间。