¿Qué es Inworld Realtime TTS-2 and TTS-2 Flash?
Realtime TTS-2 es el modelo de texto a voz de Inworld AI para conversación en directo, disponible para todos desde el 31 de agosto de 2026 tras una vista previa en mayo, con una variante Flash más barata. La interpretación se dirige en lenguaje llano dentro de un corchete al principio del texto, por ejemplo pidiéndole que hable con tristeza, y se añaden etiquetas en línea para risas, suspiros, respiraciones o toses. Produce muletillas naturales como "um" y, en las sesiones Realtime, escucha el audio de los turnos anteriores en lugar de solo una transcripción.
Las voces se pueden clonar a partir de un fragmento limpio de 5 a 15 segundos o diseñar a partir de una descripción escrita. Inworld dice que una misma voz conserva su identidad en más de 100 idiomas, incluso con cambios a mitad de frase, aunque los idiomas menos comunes siguen siendo experimentales.
El modelo se sirve a través de la TTS API de Inworld y de su Realtime API, que sigue el protocolo Realtime de OpenAI, así que los clientes existentes solo cambian la URL. Los pesos no se publican.
¿Cuánto cuesta Inworld Realtime TTS-2 and TTS-2 Flash?
| Plan | Precio | Qué incluye |
|---|---|---|
| On-Demand | Pay as you go | TTS-2 a 25 $ y Flash a 15 $ por 1M de caracteres; 5 solicitudes simultáneas |
| Growth | $1,500/month | TTS-2 a 12,50 $ y Flash a 7 $ por 1M de caracteres; 500 solicitudes simultáneas |
| Enterprise | Custom | TTS-2 desde 5 $ por 1M de caracteres; residencia en la UE e India |
TTS-2 a 25 $ por 1M de caracteres bajo demanda, que bajan a 12,50 $ con el plan Growth de 1.500 $/mes y hasta 5 $ en Enterprise; TTS-2 Flash a 15 $ bajo demanda y 7 $ en Growth.
¿Merece la pena Inworld Realtime TTS-2 and TTS-2 Flash?
El truco que distingue a Realtime TTS-2 es que puedes decirle cómo sonar con una frase en lenguaje corriente en lugar de un menú de emociones predefinidas, y que percibe el tono de quien llama en los turnos anteriores. Para un personaje de videojuego o un agente de soporte que tiene que sonar apenado, eso es más útil que un punto más de naturalidad.
En la arena de oyentes de Artificial Analysis está décimo, con 1.269 Elo, por detrás de Eleven v4 de ElevenLabs, con 1.340, y de Sonic 3.6 de Cartesia, con 1.294. El precio es el contrapeso: 25 $ por millón de caracteres bajo demanda frente a 49 $ de Sonic 3.6 en la misma tabla, y 12,50 $ con el plan Growth. Flash queda 19.º con 1.213 por 15 $ o menos.
La pega: las cifras de velocidad dependen de quién mida. Inworld promete una mediana de menos de 200 ms hasta el primer audio; la prueba de laboratorio de AssemblyAI midió TTS-2 en 280 ms. El número de idiomas también varía entre las propias páginas de Inworld, de más de 100 a unos 500, con la cola larga marcada como experimental, así que comprueba tu idioma de oído. La retención cero de datos solo empieza en el plan Developer de 300 $ al mes, y la residencia en la UE es exclusiva de Enterprise.
Nuestra opinión: para personajes y agentes en los que el registro emocional importa más que los últimos milisegundos, este es el modelo que hay que probar primero. Para un centro de llamadas donde la voz solo tiene que ser clara y rápida, Flash o un rival más barato harán el mismo trabajo por menos.
Dónde se gana su sitio
Un estudio independiente que pone voz a 40 personajes no jugables
Dar a cada personaje una voz propia que reaccione a lo que dice el jugador
Diseña las voces a partir de descripciones de texto y lanza las frases por la Realtime API con dirección entre corchetes. A unos 1.000 caracteres por minuto de audio, 2 millones de caracteres en Creator cuestan 40 $ con TTS-2.
El agente de soporte multilingüe de una empresa de viajes
Atender a cada cliente en su idioma sin cambiar de voz
Clona una voz de marca a partir de un fragmento de 10 segundos y deja que TTS-2 cambie de idioma a mitad de frase; prueba antes los idiomas minoritarios, porque Inworld los marca como experimentales.
Antes de decidirte
- Puesta en marcha
- Llama a /tts/v1/voice o a su variante de streaming con el modelo inworld-tts-2, o abre el WebSocket Realtime; quienes usan TTS 1.5 solo cambian el ID de modelo.
- Integraciones
- SDK para Node y Python; API compatible con OpenAI Realtime; Cloudflare, DeepInfra, GMI Cloud, LiveKit, Stream y VoiceRun.
- Datos y privacidad
- Sin pesos publicados. RGPD y SOC 2 Type II en todos los planes; retención cero de datos desde Developer (300 $/mes); HIPAA como complemento de Growth; residencia en la UE e India en Enterprise. La página de precios no indica si se usan los datos para entrenar.
- Coste a escala
- 100 millones de caracteres al mes, unas 1.700 horas de habla, cuestan unos 1.250 $ a la tarifa de 12,50 $ de Growth, o 700 $ con Flash, frente a 2.500 $ bajo demanda.
- Límites
- Solicitudes simultáneas: 5 en On-Demand, 150 en Developer, 500 en Growth. Las muestras para clonar deben durar de 5 a 15 segundos. Idiomas minoritarios en fase experimental.
Lo bueno
- Dirección de la interpretación en lenguaje llano y etiquetas no verbales
- Escucha los turnos de audio anteriores para captar el tono en sesiones Realtime
- Baja a 12,50 $ por 1M de caracteres en Growth y a 5 $ en Enterprise
- API compatible con OpenAI Realtime; clonación con 5 a 15 segundos
Lo malo
- Décimo en Artificial Analysis, 71 Elo por detrás de Eleven v4
- El número de idiomas varía entre las propias páginas de Inworld
- La retención cero exige el plan Developer de 300 $ al mes
- Solo 5 solicitudes simultáneas en On-Demand
Ideal para
Estudios de videojuegos y equipos de agentes de voz que necesitan habla con dirección emocional en muchos idiomas y esperan volumen suficiente para subir en los niveles de precio de Inworld.
Alternativas a Inworld Realtime TTS-2 and TTS-2 Flash
Inworld Realtime TTS-2 and TTS-2 Flash: preguntas frecuentes
- ¿Merece la pena Inworld Realtime TTS-2 and TTS-2 Flash?
- Una voz que acepta dirección como un actor, a un precio que baja mucho con el volumen, aunque la clasificación la ha dejado atrás desde agosto. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta Inworld Realtime TTS-2 and TTS-2 Flash?
- TTS-2 a 25 $ por 1M de caracteres bajo demanda, que bajan a 12,50 $ con el plan Growth de 1.500 $/mes y hasta 5 $ en Enterprise; TTS-2 Flash a 15 $ bajo demanda y 7 $ en Growth.
- ¿Qué inconvenientes tiene Inworld Realtime TTS-2 and TTS-2 Flash?
- Décimo en Artificial Analysis, 71 Elo por detrás de Eleven v4; el número de idiomas varía entre las propias páginas de Inworld; la retención cero exige el plan Developer de 300 $ al mes; solo 5 solicitudes simultáneas en On-Demand.
- ¿Para quién es Inworld Realtime TTS-2 and TTS-2 Flash?
- Estudios de videojuegos y equipos de agentes de voz que necesitan habla con dirección emocional en muchos idiomas y esperan volumen suficiente para subir en los niveles de precio de Inworld.
- ¿Cuánto cuesta Inworld Realtime TTS-2 and TTS-2 Flash para un equipo o en producción?
- 100 millones de caracteres al mes, unas 1.700 horas de habla, cuestan unos 1.250 $ a la tarifa de 12,50 $ de Growth, o 700 $ con Flash, frente a 2.500 $ bajo demanda.
- ¿Es Inworld Realtime TTS-2 and TTS-2 Flash seguro para los datos de la empresa?
- Sin pesos publicados. RGPD y SOC 2 Type II en todos los planes; retención cero de datos desde Developer (300 $/mes); HIPAA como complemento de Growth; residencia en la UE e India en Enterprise. La página de precios no indica si se usan los datos para entrenar.
- ¿Cuáles son las mejores alternativas a Inworld Realtime TTS-2 and TTS-2 Flash?
- Las alternativas más cercanas que hemos analizado son Cartesia Sonic 3.6, Eleven v4 and v4 Turbo, AssemblyAI-TTS-1 y Gemini 3.8 Flash TTS.
Respuestas comprobadas el 21 nov 2026.