Qu’est-ce que Inworld Realtime TTS-2 and TTS-2 Flash ?
Realtime TTS-2 est le modèle de synthèse vocale d'Inworld AI pour la conversation en direct, disponible pour tous depuis le 31 août 2026 après une préversion en mai, avec une variante Flash moins chère. On dirige l'interprétation en anglais courant, entre crochets au début du texte, par exemple en lui demandant de parler tristement, et on ajoute des balises en ligne pour les rires, soupirs, respirations ou toux. Il produit des mots de remplissage naturels comme "um" et, dans les sessions Realtime, écoute l'audio des tours précédents plutôt qu'une simple transcription.
Les voix peuvent être clonées à partir d'un extrait propre de 5 à 15 secondes ou conçues à partir d'une description écrite. Selon Inworld, une même voix garde son identité dans plus de 100 langues, y compris lors de changements en milieu de phrase, les langues moins courantes restant expérimentales.
Le modèle est servi par la TTS API d'Inworld et par sa Realtime API, qui suit le protocole Realtime d'OpenAI : les clients existants ne changent que l'URL. Les poids ne sont pas publiés.
Combien coûte Inworld Realtime TTS-2 and TTS-2 Flash ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| On-Demand | Pay as you go | TTS-2 à 25 $, Flash à 15 $ par 1M de caractères ; 5 requêtes simultanées |
| Growth | $1,500/month | TTS-2 à 12,50 $, Flash à 7 $ par 1M de caractères ; 500 requêtes simultanées |
| Enterprise | Custom | TTS-2 à partir de 5 $ par 1M de caractères ; hébergement dans l'UE et en Inde |
TTS-2 à 25 $ par 1M de caractères à la demande, ramené à 12,50 $ avec l'offre Growth à 1 500 $ par mois et jusqu'à 5 $ en Enterprise ; TTS-2 Flash à 15 $ à la demande, 7 $ en Growth.
Inworld Realtime TTS-2 and TTS-2 Flash vaut-il le coup ?
Le tour de force de Realtime TTS-2, c'est qu'on peut lui dire comment sonner en une phrase d'anglais ordinaire plutôt que dans un menu d'émotions prédéfinies, et qu'il perçoit le ton de l'appelant dans les tours précédents. Pour un personnage de jeu ou un agent de support qui doit paraître désolé, c'est plus utile qu'un point de naturel en plus.
Dans l'arène d'auditeurs d'Artificial Analysis, il est dixième, avec 1 269 Elo, derrière Eleven v4 d'ElevenLabs à 1 340 et Sonic 3.6 de Cartesia à 1 294. Le prix fait contrepoids : 25 $ le million de caractères à la demande contre 49 $ pour Sonic 3.6 dans le même tableau, et 12,50 $ avec l'offre Growth. Flash est 19e à 1 213 pour 15 $ ou moins.
Le hic : les chiffres de vitesse dépendent de qui mesure. Inworld promet une médiane sous 200 ms jusqu'au premier son ; l'essai en laboratoire d'AssemblyAI a mesuré TTS-2 à 280 ms. Le nombre de langues varie aussi d'une page d'Inworld à l'autre, de plus de 100 à environ 500, la longue traîne étant marquée comme expérimentale : vérifiez votre langue à l'oreille. La conservation zéro des données ne commence qu'avec l'offre Developer à 300 $ par mois, et l'hébergement dans l'UE est réservé à Enterprise.
Notre avis : pour des personnages et des agents dont le registre émotionnel compte plus que les dernières millisecondes, c'est le modèle à auditionner en premier. Pour un centre d'appels où la voix doit seulement être claire et rapide, Flash ou un concurrent moins cher fera le même travail pour moins cher.
Là où il fait la différence
Un studio indépendant qui double 40 personnages non joueurs
Donner à chaque personnage une voix distincte qui réagit à ce que dit le joueur
Concevez les voix à partir de descriptions écrites, puis envoyez les répliques par la Realtime API avec une direction entre crochets. À environ 1 000 caractères par minute d'audio, 2 millions de caractères sur Creator coûtent 40 $ avec TTS-2.
L'agent de support multilingue d'une agence de voyages
Répondre aux appelants dans leur langue sans changer de voix
Clonez une voix de marque à partir d'un extrait de 10 secondes et laissez TTS-2 changer de langue en milieu de phrase ; testez d'abord les langues rares, qu'Inworld classe comme expérimentales.
Avant de vous engager
- Mise en route
- Appelez /tts/v1/voice ou sa variante en streaming avec le modèle inworld-tts-2, ou ouvrez le WebSocket Realtime ; les utilisateurs de TTS 1.5 ne changent que l'identifiant du modèle.
- Intégrations
- SDK Node et Python ; API compatible OpenAI Realtime ; Cloudflare, DeepInfra, GMI Cloud, LiveKit, Stream et VoiceRun.
- Données et confidentialité
- Aucun poids publié. RGPD et SOC 2 Type II sur toutes les offres ; conservation zéro des données à partir de Developer (300 $ par mois) ; HIPAA en option sur Growth ; hébergement dans l'UE et en Inde en Enterprise. La page tarifaire ne dit pas si les données servent à l'entraînement.
- Coût à grande échelle
- 100 millions de caractères par mois, soit environ 1 700 heures de parole, coûtent environ 1 250 $ au tarif Growth de 12,50 $, ou 700 $ avec Flash, contre 2 500 $ à la demande.
- Limites
- Requêtes simultanées : 5 en On-Demand, 150 en Developer, 500 en Growth. Les échantillons de clonage doivent durer de 5 à 15 secondes. Langues rares expérimentales.
Les points forts
- Direction de l'interprétation en langage courant et balises non verbales
- Écoute les tours audio précédents pour le ton dans les sessions Realtime
- Descend à 12,50 $ par 1M de caractères en Growth, 5 $ en Enterprise
- API compatible OpenAI Realtime ; clonage à partir de 5 à 15 secondes
Les points faibles
- Dixième chez Artificial Analysis, 71 Elo derrière Eleven v4
- Le nombre de langues varie selon les pages d'Inworld
- La conservation zéro exige l'offre Developer à 300 $ par mois
- Seulement 5 requêtes simultanées en On-Demand
Idéal pour
Les studios de jeux et les équipes d'agents vocaux qui ont besoin d'une parole dirigée sur le plan émotionnel dans de nombreuses langues et prévoient assez de volume pour monter dans les paliers tarifaires d'Inworld.
Alternatives à Inworld Realtime TTS-2 and TTS-2 Flash
Inworld Realtime TTS-2 and TTS-2 Flash : questions fréquentes
- Inworld Realtime TTS-2 and TTS-2 Flash vaut-il le coup ?
- Une voix qui se laisse diriger comme un comédien, à un prix qui baisse fortement avec le volume, même si le classement l'a dépassée depuis août. Nous lui donnons 4.2 sur 5.
- Combien coûte Inworld Realtime TTS-2 and TTS-2 Flash ?
- TTS-2 à 25 $ par 1M de caractères à la demande, ramené à 12,50 $ avec l'offre Growth à 1 500 $ par mois et jusqu'à 5 $ en Enterprise ; TTS-2 Flash à 15 $ à la demande, 7 $ en Growth.
- Quels sont les inconvénients de Inworld Realtime TTS-2 and TTS-2 Flash ?
- Dixième chez Artificial Analysis, 71 Elo derrière Eleven v4; le nombre de langues varie selon les pages d'Inworld; la conservation zéro exige l'offre Developer à 300 $ par mois; seulement 5 requêtes simultanées en On-Demand.
- À qui s’adresse Inworld Realtime TTS-2 and TTS-2 Flash ?
- Les studios de jeux et les équipes d'agents vocaux qui ont besoin d'une parole dirigée sur le plan émotionnel dans de nombreuses langues et prévoient assez de volume pour monter dans les paliers tarifaires d'Inworld.
- Combien coûte Inworld Realtime TTS-2 and TTS-2 Flash pour une équipe ou en production ?
- 100 millions de caractères par mois, soit environ 1 700 heures de parole, coûtent environ 1 250 $ au tarif Growth de 12,50 $, ou 700 $ avec Flash, contre 2 500 $ à la demande.
- Inworld Realtime TTS-2 and TTS-2 Flash est-il sûr pour les données de l’entreprise ?
- Aucun poids publié. RGPD et SOC 2 Type II sur toutes les offres ; conservation zéro des données à partir de Developer (300 $ par mois) ; HIPAA en option sur Growth ; hébergement dans l'UE et en Inde en Enterprise. La page tarifaire ne dit pas si les données servent à l'entraînement.
- Quelles sont les meilleures alternatives à Inworld Realtime TTS-2 and TTS-2 Flash ?
- Les alternatives les plus proches que nous avons testées sont Cartesia Sonic 3.6, Eleven v4 and v4 Turbo, AssemblyAI-TTS-1 et Gemini 3.8 Flash TTS.
Réponses vérifiées le 21 nov. 2026.