Inworld

Os modelos de texto em fala da Inworld transformam texto em fala pensada para conversa ao vivo, não para narração em lote. O carro-chefe TTS-2 mira a expressividade, enquanto o TTS-2 Flash baixa a latência para cerca de 20 milissegundos até o primeiro byte de áudio. Os dois cobrem mais de 200 idiomas e mantêm a mesma identidade de voz ao trocar de língua. A clonagem instantânea precisa só de 5 a 15 segundos de áudio de referência, e a saída em streaming pode devolver marcas de tempo de palavras e fonemas para sincronizar os lábios.

Quase todo agente de voz é feito de três produtos colados, e cada emenda é um ponto onde quebra. A Realtime API funde escuta, raciocínio e fala em uma sessão WebSocket persistente que segue o protocolo Realtime da OpenAI, então as equipes podem trazer o próprio modelo de linguagem pelo Router. Traz detecção de atividade de voz e um detector de turnos, que é o que permite ao usuário cortar no meio da frase sem que o agente o atropele.

O Router expõe mais de 100 modelos de linguagem de OpenAI, Anthropic, Google, Meta, Mistral, DeepSeek e outros por um único endpoint compatível com OpenAI. Funciona em duas vias. A via de terceiros passa as requisições para provedores externos, e a via própria serve modelos abertos ajustados pela Inworld. Trocar de modelo é mexer na configuração e não reescrever o código, algo que pesa quando preço ou qualidade mudam.

O Realtime STT não se limita a transcrever palavras. Lê como foram ditas e capta sinais como tom, ritmo e emoção para que o agente responda com contexto e não com uma réplica sem graça. Apoia-se em vários provedores, entre eles o modelo próprio da Inworld, Groq Whisper, AssemblyAI e Soniox, então as equipes podem equilibrar precisão, velocidade e custo por chamada.

Como via própria do roteador, a Inworld hospeda seus modelos abertos otimizados, como Gemma e DeepSeek, ajustados para rodar a custo de consumo em massa com latência de tempo real. O ponto está no plano gratuito. Rodar um modelo aberto barato o bastante para servir milhões de usuários grátis é a parte difícil de qualquer app de voz, e essa via existe justamente para essa pressão.

Para equipes que já passaram da inferência compartilhada, a Inworld oferece capacidade de GPU dedicada. Fica por baixo dos produtos de voz e inferência e mantém a latência estável quando o tráfego estoura o grupo padrão. Mira clientes de grande volume e comprometidos, não quem ainda está prototipando.