实时流式 TTS
通过流式输出实时生成音频，使语音可在完整回复结束前开始播放。网站描述该语音产品的首块延迟低于 200 毫秒。
面向开发者的实时语音 AI 平台
Inworld AI 是面向开发者构建实时语音体验的语音 AI 平台。网站重点围绕文本转语音，同时提供语音转文本和 LLM 路由产品，并将平台定位于智能体、应用和其他流式语音工作流。
语音产品强调低延迟流式生成、自定义声音创建和多语言交付。源页面显示可通过少量音频样本进行即时声音克隆、基于文本的声音设计，以及一个可在生成音频分块时进行流式传输的单一 API。
定价按用量和方案层级组织，从 On-Demand 选项开始，逐步扩展到包含月度额度、更低单价、更高并发、工作区功能和企业条款的付费方案。企业买家可申请自定义价格和条款，包括定价页展示的部署和数据驻留选项。
核心能力
即时声音克隆
使用 5 到 15 秒的音频创建声音，然后可在 Playground 和 API 中复用。产品页还展示了单独的声音克隆端点。
基于文本的声音设计
用自然语言描述口音、音色、年龄和能量，即可在没有音频样本的情况下创建声音。网站将其呈现为可用于生产的声音设计流程。
多语言语音交付
TTS-2 产品支持 100 多种语言的语音输出，并可将克隆声音本地化为母语说话方式。源内容强调了多语言交付且不会保留口音。
声音控制与模型选项
可使用语速、温度、发音和非语言表达等调控选项。定价信息还显示了 TTS-2 和 TTS 1.5 等模型差异，以及不同的语言覆盖范围。
API 与工作区流程
基于一个统一平台构建，同时还包含 STT 和 LLM 路由。定价页列出了 API 访问、工作区共享，以及基于方案的并发和用量限制。
常见用例
实时语音代理
为助手、角色或对话应用添加流式语音，其中响应时间会影响交互体验。
自定义声音生成
通过短样本创建品牌化或角色专属声音，然后通过 API 或 Playground 在生产环境中复用这些声音。
多语言内容与本地化
在保持一致声音身份的同时生成多语言语音，包括面向全球受众的本地化交付。
产品开发与扩展
随着使用量增长，通过基于方案的额度、工作区共享和更高并发限制来原型验证、测试并扩展语音功能。
集成式语音工作流
在构建端到端语音体验时，将语音输入、语音输出和 LLM 路由组合到一个技术栈中。
Pros and Cons
Pros
- 支持实时流式 TTS，并报告首块延迟低于 200 毫秒。
- 提供多种声音创建方式，包括基于音频的克隆和基于文本的声音设计。
- 通过 TTS、STT 和 LLM 路由覆盖语音栈的多个部分。
- 提供按用量计费的入门价格和分层方案，随着使用量增长会增加额度、限制和折扣。
- 在定价页提供面向企业的选项，包括自定义定价和联系销售流程。
Cons
- 公开页面最强的是语音和路由能力；所提供来源中关于特定 SDK、平台和团队工作流的集成细节较少。
- 部分高级定价和合规项目属于特定层级或以附加项形式展示，因此买家在规划部署前需要核实准确可用性。
FAQ
Inworld AI 提供什么？
Inworld 提供来自单一平台的文本转语音、语音转文本、实时语音代理和 LLM 路由。定价页还显示了免费起步方案，以及增加额度、更高限制和批量折扣的付费计划。
我可以创建或克隆自定义声音吗？
源内容显示，Inworld 支持流式 TTS、基于 5 到 15 秒音频的即时声音克隆，以及无需音频样本的文本式声音设计。
Inworld 是否适合 API 和团队工作流？
是的。定价页列出了公开 API、付费层级中的工作区创建与共享，以及随着方案升级而提高的并发限制。
Inworld 如何定价？
定价页显示，Inworld 提供 On-Demand 起步方案，以及 Creator、Builder、Developer、Growth 和 Enterprise 等付费层级。Enterprise 包括自定义定价和联系销售流程。
关于延迟，我需要了解什么？
源内容强调了具有低于 200 毫秒首块延迟的实时 TTS，但具体适配情况取决于特定模型和用例。
Quick Facts
- 类别
- 语音 AI 平台
- 主要重点
- 实时文本转语音
- 相关产品
- 语音转文本和 LLM 路由
- 声音创建
- 即时克隆和基于文本的声音设计
- 定价模式
- On-Demand 加付费层级及企业自定义定价
- 源域名
- inworld.ai
Inworld AI 替代品
Talkpal
Talkpal 是一款 AI 语言学习 Web 和移动应用，支持口语、听力、写作和发音练习，提供 130+ 种语言的课程、角色扮演和电话式对话练习。
QuickQuill
QuickQuill 是一款适用于 macOS 的本地语音输入与转写应用，可在设备上录制会议、转写音频、生成摘要并导出笔记，无需使用云服务。
Speech to Text Converter
Speech to Text Converter 是一款基于浏览器的语音转文字工具，支持实时听写和上传音频、视频文件转录。提供免费版满足短任务，Pro 版支持无限转录、AI 摘要、翻译、说话人识别和高级导出。
Realtime and audio
OpenAI API 指南，帮助开发者为实时音频、翻译、转录、语音生成和支持音频的聊天选择合适的语音架构，并匹配对应会话类型、端点与连接方式。
Gemini 3.1 Flash TTS
Gemini 3.1 Flash TTS 是 Google 的预览版文本转语音模型，可生成富有表现力的 AI 语音，并支持对风格、语速和表达方式进行细粒度控制，适用于 Gemini API、Google AI Studio、Vertex AI 和 Google Vids。
Tactiq
Tactiq 是一款适用于 Google Meet、Zoom 和 Microsoft Teams 的 AI 会议记录工具，可实时转写会议，并生成摘要、行动项和后续输出。基于 Chrome 扩展，支持共享与集成，助力团队协作。