Inworld

Los modelos de texto a voz de Inworld convierten el texto en habla pensada para la conversación en vivo, no para la narración por lotes. El buque insignia TTS-2 apunta a la expresividad, mientras que TTS-2 Flash baja la latencia a unos 20 milisegundos hasta el primer byte de audio. Ambos cubren más de 200 idiomas y mantienen la misma identidad de voz al cambiar de idioma. La clonación instantánea necesita solo de 5 a 15 segundos de audio de referencia, y la salida en streaming puede devolver marcas de tiempo de palabras y fonemas para sincronizar los labios.

Casi todos los agentes de voz son tres productos pegados, y cada costura es un punto por el que se rompen. La Realtime API funde escucha, pensamiento y habla en una sesión WebSocket persistente que sigue el protocolo Realtime de OpenAI, así que los equipos pueden traer su propio modelo de lenguaje a través del Router. Incluye detección de actividad de voz y un detector de turnos, que es lo que permite al usuario cortar a mitad de frase sin que el agente lo arrolle.

El Router expone más de 100 modelos de lenguaje de OpenAI, Anthropic, Google, Meta, Mistral, DeepSeek y otros mediante un único endpoint compatible con OpenAI. Funciona con dos vías. La vía de terceros pasa las peticiones a proveedores externos, y la vía propia sirve modelos abiertos ajustados por Inworld. Cambiar de modelo es tocar la configuración y no reescribir el código, algo que importa cuando cambian el precio o la calidad.

Realtime STT no se limita a transcribir palabras. Lee cómo se dijeron y capta señales como el tono, el ritmo y la emoción para que el agente responda con contexto y no con una réplica plana. Se apoya en varios proveedores, entre ellos el modelo propio de Inworld, Groq Whisper, AssemblyAI y Soniox, así que los equipos pueden equilibrar precisión, velocidad y coste por llamada.

Como vía propia del enrutador, Inworld aloja sus modelos abiertos optimizados, como Gemma y DeepSeek, ajustados para funcionar a coste de consumo masivo con latencia de tiempo real. La clave está en la capa gratuita. Ejecutar un modelo abierto lo bastante barato para servir a millones de usuarios gratis es la parte difícil de cualquier app de voz, y esta vía está hecha justo para esa presión.

Para equipos que ya superaron la inferencia compartida, Inworld ofrece capacidad de GPU dedicada. Va por debajo de los productos de voz e inferencia y mantiene la latencia estable cuando el tráfico desborda el grupo por defecto. Apunta a clientes de gran volumen y comprometidos, no a quien aún está prototipando.