Inworld

Die Text-zu-Sprache-Modelle von Inworld wandeln Text in Sprache um, die fürs Live-Gespräch gedacht ist, nicht für Stapelverarbeitung. Das Flaggschiff TTS-2 zielt auf Ausdruck, während TTS-2 Flash die Latenz auf etwa 20 Millisekunden bis zum ersten Audiobyte drückt. Beide decken mehr als 200 Sprachen ab und behalten dieselbe Stimmidentität über Sprachen hinweg. Das sofortige Klonen braucht nur 5 bis 15 Sekunden Referenzaudio, und die Streaming-Ausgabe kann Wort- und Phonem-Zeitstempel für die Lippensynchronisation liefern. Für Teams, die einen Sprachklon für eine Marken- oder Figurenstimme brauchen, wird daraus eine wiederverwendbare Stimm-ID.

Fast jeder Sprachagent besteht aus drei zusammengeklebten Produkten, und jede Nahtstelle ist ein Bruchpunkt. Die Realtime API fasst Hören, Denken und Sprechen in einer dauerhaften WebSocket-Sitzung zusammen, die dem Realtime-Protokoll von OpenAI folgt, sodass Teams ihr eigenes Sprachmodell über den Router mitbringen können. Enthalten sind Spracherkennung und ein Turn-Detector, und genau das erlaubt es Nutzern, mitten im Satz einzuschneiden, ohne überrollt zu werden.

Der Router stellt über einen einzigen OpenAI-kompatiblen Endpunkt mehr als 100 Sprachmodelle von OpenAI, Anthropic, Google, Meta, Mistral, DeepSeek und anderen bereit. Er läuft auf zwei Wegen. Der Drittanbieter-Weg leitet Anfragen an externe Anbieter, und der eigene Weg bedient von Inworld abgestimmte offene Modelle. Ein Modellwechsel ist eine Konfigurationsfrage und keine Umschreibung, was zählt, wenn sich Preis oder Qualität verschieben.

Realtime STT transkribiert nicht nur Wörter. Es liest, wie sie gesagt wurden, und erfasst Hinweise wie Tonhöhe, Tempo und Emotion, damit der Agent mit Kontext antwortet statt mit einer flachen Erwiderung. Es stützt sich auf mehrere Anbieter, darunter Inworlds eigenes Modell, Groq Whisper, AssemblyAI und Soniox, sodass Teams zwischen Genauigkeit, Tempo und Kosten pro Aufruf abwägen können.

Als eigener Weg des Routers hostet Inworld seine optimierten offenen Modelle wie Gemma und DeepSeek, abgestimmt darauf, zu Verbraucherkosten mit Echtzeitlatenz zu laufen. Entscheidend ist die kostenlose Stufe. Ein offenes Modell günstig genug zu betreiben, um Millionen kostenloser Nutzer zu bedienen, ist der schwierige Teil jeder Sprach-App, und dieser Weg ist genau auf diesen Druck gebaut.

Für Teams jenseits der geteilten Inferenz bietet Inworld dedizierte GPU-Kapazität. Sie liegt unter den Sprach- und Inferenzprodukten und hält die Latenz stabil, wenn der Datenverkehr den Standardpool sprengt. Sie richtet sich an engagierte Kunden mit großem Volumen, nicht an Teams in der Prototypphase.