Inworld

Inworld의 음성 합성 모델은 일괄 처리가 아니라 실시간 대화를 염두에 둔 음성을 텍스트에서 만든다. 주력 TTS-2는 표현력을 겨냥하고, TTS-2 Flash는 첫 오디오 바이트까지 지연을 약 20밀리초로 낮춘다. 둘 다 200개 이상의 언어를 지원하며 언어를 바꿔도 같은 음성 정체성을 유지한다. 즉시 클로닝은 5~15초의 참조 오디오만 있으면 되고, 스트리밍 출력은 단어와 음소 타임스탬프를 돌려줘 립싱크에 쓸 수 있다. 브랜드나 캐릭터 목소리용 보이스 클로닝을 만들려는 팀에게는 재사용 가능한 음성 ID가 그대로 나온다.

대부분의 음성 에이전트는 제품 세 개를 붙여 놓은 것이고, 그 이음새마다 고장 나는 지점이 된다. Realtime API는 듣기, 생각하기, 말하기를 OpenAI의 Realtime 프로토콜을 따르는 지속적인 WebSocket 세션 하나로 융합해, 팀이 Router를 통해 자체 언어 모델을 가져올 수 있게 한다. 음성 활동 감지와 발화 차례 감지기를 갖췄고, 이것이 사용자가 문장 중간에 끼어들어도 에이전트에 짓눌리지 않게 하는 이유다.

Router는 OpenAI, Anthropic, Google, Meta, Mistral, DeepSeek 등의 100개가 넘는 언어 모델을 OpenAI 호환 단일 엔드포인트로 제공한다. 두 갈래로 움직인다. 서드파티 갈래는 외부 업체로 요청을 넘기고, 자체 갈래는 Inworld가 조정한 오픈 모델을 공급한다. 모델 교체는 코드를 다시 쓰는 일이 아니라 설정을 바꾸는 일이고, 가격이나 품질이 흔들릴 때 이 점이 중요하다.

Realtime STT는 단어만 받아쓰지 않는다. 어떻게 말했는지를 읽어 음높이, 속도, 감정 같은 단서를 잡아내므로 에이전트가 평평한 응답이 아니라 맥락을 반영해 답한다. Inworld 자체 모델, Groq Whisper, AssemblyAI, Soniox 등 여러 업체를 활용해 정확도, 속도, 호출당 비용을 저울질할 수 있다.

라우터의 자체 갈래로서 Inworld는 Gemma, DeepSeek 같은 최적화된 오픈 모델을 직접 호스팅한다. 소비자 규모의 비용으로 실시간 지연을 내도록 조정했다. 핵심은 무료 등급이다. 수백만 무료 사용자를 감당할 만큼 싸게 오픈 모델을 돌리는 것이 어떤 음성 앱에서든 어려운 부분이고, 이 갈래는 바로 그 부담을 위해 만들어졌다.

공유 추론 단계를 넘어선 팀을 위해 Inworld는 전용 GPU 용량을 제공한다. 음성과 추론 제품 아래에 위치하며 트래픽이 기본 풀을 넘을 때 지연을 안정적으로 유지한다. 아직 시제품을 만드는 팀이 아니라 대량으로 꾸준히 쓰는 고객을 겨냥한다.