Inworld

Les modèles de synthèse vocale d'Inworld transforment le texte en parole pensée pour la conversation en direct, pas pour la narration par lots. Le modèle phare TTS-2 vise l'expressivité, tandis que TTS-2 Flash réduit la latence à environ 20 millisecondes jusqu'au premier octet audio. Les deux couvrent plus de 200 langues et gardent la même identité vocale d'une langue à l'autre. Le clonage instantané ne demande que 5 à 15 secondes d'audio de référence, et la sortie en streaming peut renvoyer des repères de mots et de phonèmes pour synchroniser les lèvres.

Presque tous les agents vocaux sont trois produits collés ensemble, et chaque jointure est un point de rupture. La Realtime API fond écoute, réflexion et parole dans une session WebSocket persistante qui suit le protocole Realtime d'OpenAI, donc les équipes peuvent apporter leur propre modèle de langage via le Router. Elle inclut la détection d'activité vocale et un détecteur de tours de parole, ce qui permet à l'utilisateur de couper en pleine phrase sans que l'agent l'écrase.

Le Router expose plus de 100 modèles de langage d'OpenAI, Anthropic, Google, Meta, Mistral, DeepSeek et d'autres via un seul point de terminaison compatible OpenAI. Il fonctionne sur deux voies. La voie tierce transmet les requêtes à des fournisseurs externes, et la voie interne sert des modèles ouverts ajustés par Inworld. Changer de modèle relève de la configuration et non de la réécriture, ce qui compte quand le prix ou la qualité bougent.

Realtime STT ne se contente pas de transcrire des mots. Il lit la manière dont ils ont été dits et capte des indices comme le timbre, le rythme et l'émotion, pour que l'agent réponde avec du contexte et non par une réplique plate. Il s'appuie sur plusieurs fournisseurs, dont le modèle propre d'Inworld, Groq Whisper, AssemblyAI et Soniox, donc les équipes peuvent arbitrer entre précision, vitesse et coût par appel.

Comme voie interne du routeur, Inworld héberge ses modèles ouverts optimisés, comme Gemma et DeepSeek, ajustés pour tourner à un coût grand public avec une latence temps réel. L'enjeu, c'est l'offre gratuite. Faire tourner un modèle ouvert assez bon marché pour servir des millions d'utilisateurs gratuits, c'est la partie difficile de toute application vocale, et cette voie est faite pour cette pression précise.

Pour les équipes qui ont dépassé l'inférence partagée, Inworld propose de la capacité GPU dédiée. Elle se place sous les produits vocaux et d'inférence et maintient la latence stable quand le trafic dépasse le pool par défaut. Elle vise les clients à gros volume et engagés, pas ceux qui prototypent encore.