Inworld

Inworld 早年为游戏与虚拟角色生成平台，现在重心转向面向消费者的实时语音，官网的说法是「为面向人的应用做 AI」。语音线分三块：Realtime TTS-2 与 Realtime TTS-2 Flash 做文字转语音，Realtime STT-1 做语音转文字，另有把听、想、说串在一起的语音到语音接口。

TTS-2 Flash 在 Coval 的公开基准上首次出声只要 50 毫秒，官网称比最接近的替代品快 3 倍，在盲听测试里与 Eleven v3 打平；TTS-2 在 P90 下 90 毫秒发声，覆盖约 500 种语言与方言，两条线都是边生成边流式回传音频。语音到语音只走一条连接完成整个对话，事件与会话设置沿用 OpenAI 的实时协议，已有客户端改动不大就能迁移；用户停止说话后最快 204 毫秒听到回应，中位数 462 毫秒，每次会话还可以自己指定背后的大模型。

推理侧的 Inworld Inference 在 2026 年 9 月开放，以兼容 OpenAI 的接口提供 GLM 5.3 Flash、Gemma 4 31B、Gemma 4 26B、MiMo 2.6 Pro、DeepSeek V4.1 Flash 等开源模型，机群分布在美国、欧洲、印度与亚太四个区域，月处理 token 量在数十万亿级。团队按真实流量从算子一路调到权重，把 Gemma 4 31B 的首 token 中位数提速到 2.8 倍，GLM 5.3 Flash 在三十天里 99.999% 的请求成功。

• 计费按字符与时长走：TTS-2 每百万字符 25 美元、TTS-2 Flash 15 美元，Growth 档降到 12.5 与 7 美元，企业档 10 与 5 美元；按每分钟约 1000 字符估算，Growth 档上一小时 Flash 语音约 0.42 美元。STT-1 在各付费档都是每小时 0.1 美元，开源模型输入 token 起价每百万 0.07 美元。官网挂出的代表作是 Latitude 的 Voyage，剧中 97% 的语音由它生成（速度比最接近的方案快 5 倍）。动手写代码之前可以先在 playground 里试听音色，也能把官方 skill 交给 Claude Code、Cursor 这类编码智能体，让它按现成的接口与代码范式把接入做完。