Inworld

Inworldの音声合成APIは、バッチ処理ではなくライブの会話を想定した音声をテキストから作る。主力のTTS-2は表現力を狙い、TTS-2 Flashは最初の音声バイトまでの遅延を約20ミリ秒に抑える。どちらも200以上の言語をカバーし、言語を切り替えても同じ声のアイデンティティを保つ。即時クローンは5〜15秒の参照音声だけでよく、ストリーミング出力は単語と音素のタイムスタンプを返してリップシンクに使える。ブランドやキャラクター用のボイスクローンを作るチームにとっては、再利用できる声IDがそのまま得られる。

音声エージェントの多くは三つの製品を貼り合わせたもので、その継ぎ目が壊れる箇所になる。Realtime APIは聞く・考える・話すを、OpenAIのRealtimeプロトコルに沿った一つの持続的なWebSocketセッションに溶け込ませ、チームはRouter経由で自前の言語モデルを持ち込める。音声アクティビティ検出とターン検出を備え、これがユーザーの文の途中の割り込みを、エージェントに押しつぶされずに可能にする。

RouterはOpenAI、Anthropic、Google、Meta、Mistral、DeepSeekなどの100以上の言語モデルを、OpenAI互換の単一エンドポイントで提供する。二つの経路で動く。サードパーティ経路は外部プロバイダーにリクエストを渡し、自前の経路はInworldが調整したオープンモデルを配信する。モデルの切り替えはコードの書き直しではなく設定の変更で済み、価格や品質が動くときに効いてくる。

リアルタイムの音声認識APIであるRealtime STTは単語を書き起こすだけではない。どう話されたかを読み取り、音程や速さ、感情といった手がかりを捉えるので、エージェントは平板な返答ではなく文脈を踏まえて応答できる。Inworld自前のモデル、Groq Whisper、AssemblyAI、Sonioxなど複数のプロバイダーに対応し、精度・速度・呼び出しあたりのコストを天秤にかけられる。

ルーターの自前経路として、InworldはGemmaやDeepSeekといった最適化済みのオープンモデルを自社ホストする。消費者規模のコストでリアルタイム遅延を出せるよう調整してある。要は無料枠だ。数百万人の無料ユーザーに耐えるほど安くオープンモデルを動かすことが、どの音声アプリでも難しい部分であり、この経路はまさにその負荷のために作られている。

共有推論の段階を超えたチーム向けに、Inworldは専用のGPU容量を用意する。音声と推論の製品の下に位置し、トラフィックが既定のプールを超えても遅延を安定させる。まだ試作中のチームではなく、大量かつ長期で取り組む顧客を狙う。