Inworld
Inworld AI · 寫作 · 聊天機器人
Inworld AI 是即時語音 AI 平台，把文字轉語音 API、語音轉文字與相容 OpenAI 的模型路由器整合在同一套流程裡，用來打造會說話的應用程式。
關於 Inworld
About
Inworld AI 是什麼
Inworld AI 起初是為遊戲打造 AI 角色的研究實驗室。如今它賣的是即時語音基礎設施：讓語音代理能夠一路對話、不出現尷尬停頓的說話、聆聽與語言模型。訴求很單純。與其把文字轉語音供應商、語音轉文字供應商和另一個語言模型拼在一起，你只要接上一套平台，就拿到完整的語音迴路。
這家公司推出六項產品。Realtime TTS 把文字轉成有表情的語音，在 Artificial Analysis 的語音品質排名第一。Realtime STT 轉錄使用者說的話，連說話的方式也一併捕捉。Realtime Router 透過單一相容 OpenAI 的端點，把請求送到超過 100 個語言模型。Realtime Inference 執行 Inworld 調校過的開源模型，Realtime API 把聆聽、思考與說話收進同一個 WebSocket 工作階段，Compute 則為高流量提供專屬 GPU。
最大的限制在於對象。這是給開發者的平台，不是消費端應用。沒有給非工程師用的拖放編輯器，免費方案是拿來評估、不是拿來正式營運的。如果你只想要一個現成的聊天機器人或簡單的配音工具，這裡給你的會比需要的多。
Getting Started
- 到 platform.inworld.ai 註冊並建立工作區。
- 產生 API 金鑰並妥善保存。伺服器端呼叫會直接以它作為 Basic 權杖來驗證。
- 依用途挑選產品，例如用 Realtime TTS 做配音，或用 Realtime API 做完整的你來我往。
- 送出第一個請求。REST 的文字轉語音用的是語音與模型欄位，而 WebSocket 的 Realtime 工作階段用的是另一組，別把兩者混用。
- 有需要就克隆一個自訂聲音，再整合進你的應用程式。
產品資訊
快速了解 Inworld 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 應用程式開發者：需要一套語音迴路、又不想管理三家不同供應商的團隊，前提是熟悉 REST 與 WebSocket API。
- 獨立工作室：打造陪伴或社群應用的中小型團隊，成敗取決於聲音聽起來多自然，而每個角色的預算得真的負擔得起。
- 大公司的產品團隊：負責推出客服或銷售代理的團隊，想用單一平台處理說話、聆聽與模型路由。
任務
- 打造全雙工語音代理：Realtime API 把聆聽、思考與說話放在同一個工作階段，使用者插話時代理不會硬壓過去。
- 克隆品牌或角色聲音：一段短短的參考音檔就能產生可重複使用的聲音 ID，直接接上文字轉語音。
- 在語言模型之間路由請求：Router 為每位使用者與每個價位挑對模型，不必改寫程式碼。
- 大量生成旁白：文字轉語音能處理長篇音訊，而這類內容的每字成本很快就會累積。
情境
- 推出語言學習應用：快速的語音回應讓課程像真實對話，而不是慢吞吞的問答。
- 經營電話客服專線：語音轉文字會捕捉語氣與遲疑，代理能對挫折感做出反應，而不只是抓關鍵字。
- 在投入前先測試想法：免費方案讓團隊先做出語音功能的原型，先量測延遲，再決定要不要為流量付費。
主要功能
即時文字轉語音與聲音克隆
Inworld 的文字轉語音 API 模型把文字轉成為了即時對話而設計的語音，不是批次旁白。旗艦款 TTS-2 主打表情與語氣，TTS-2 Flash 則把延遲壓到第一個音訊位元組約 20 毫秒。兩者都涵蓋超過 200 種語言，並在切換語言時維持同一個聲音身分。即時克隆只需要 5 到 15 秒的參考音訊，串流輸出還能回傳詞與音素的時間戳，供嘴型同步使用。
全雙工 Realtime API
多數語音代理是把三項產品黏在一起，而每一道接縫都是出錯的地方。Realtime API 把聆聽、思考與說話收進同一個長駐的 WebSocket 工作階段，並遵循 OpenAI 的 Realtime 協定，讓團隊可以透過 Router 帶上自己的語言模型。它內建語音活動偵測與輪替偵測器，這正是讓使用者能在句子中途插話、而不被代理輾過去的原因。
多模型路由器
Router 透過單一相容 OpenAI 的端點，提供 OpenAI、Anthropic、Google、Meta、Mistral、DeepSeek 等超過 100 個語言模型。它分兩條軌道。第三方軌道把請求轉給外部供應商，自有一條軌道則供應 Inworld 調校過的開源模型。換模型是改設定、不是重寫程式碼，這在價格或品質變動時很重要。
具備聲音側寫的語音轉文字
Realtime STT 不只轉錄字詞。它會讀出這些話是怎麼說的，捕捉音高、節奏與情緒等訊號，讓代理帶著情境回應，而不是給一句平的答覆。它整合多家供應商，包括 Inworld 自家的語音模型、Groq Whisper、AssemblyAI 與 Soniox，團隊可以在準確度、速度與每次呼叫成本之間取捨。
Realtime Inference
作為路由器的自有軌道，Inworld 代管自家最佳化的開源模型，例如 Gemma 與 DeepSeek，調校到能以消費級成本、即時延遲運行。重點在免費方案。把開源模型跑得夠便宜、足以服務數百萬名免費用戶，是所有語音應用最難的一環，而這條軌道正是為了那種壓力而設計。
代管運算
對已經跨過共享推論階段的團隊，Inworld 提供專屬 GPU 容量。它位於語音與推論產品之下，在流量超出預設池時把延遲維持穩定。這是針對大量且長期投入的客戶，而不是還在打原型的團隊。
優缺點
優點
- 單一平台涵蓋文字轉語音、語音轉文字、語言模型與即時工作階段，減少語音應用依賴的供應商數量。
- 文字轉語音在 Artificial Analysis 排名第一，Flash 模型到第一個音訊位元組約 20 毫秒。
- Router 說的是 OpenAI 的 API，現有的程式碼與工具通常只需極少修改就能沿用。
- 用一小段音檔克隆聲音，加上支援超過 200 種語言，讓在地化與品牌聲音變得可行。
- 免費評估方案與按用量計費的額度，讓團隊先量測延遲與品質，再決定要不要付費。
缺點
- 它是為開發者而做。沒有 API 經驗的人得在團隊裡找會寫程式的人，因為沒有無程式碼的建置工具。
- 隨需的模型呼叫會在方案之外、按供應商成本另外計費，所以高流量應用可能花得遠超過每月額度。
- 免費方案只適合打原型。真要讓真實使用者跑在上面，很快就得改用付費方案。
- 公司從遊戲角色轉向語音基礎設施，因此較舊的教學與以 NPC 為主的文件已不再符合現在的產品。
常見問題
它提供即時語音基礎設施，包含文字轉語音、語音轉文字、多模型路由器，以及用來打造語音代理的全雙工即時 API。早期專注的遊戲角色，如今只占業務的一小部分。
相關內容
探索與 Inworld 相關的工具、技能與文章。
Inworld 替代方案
Google EmbeddingGemma 2
Google DeepMind · 寫作 · 圖片 · 程式設計Google EmbeddingGemma 2 是 7.4 億參數的開源模型，能把文字、程式碼、圖片、音訊與影片畫面轉成同一個 768 維空間裡的向量，在手機與筆電上就能執行。
MePersona
MePersona, Inc. · 寫作 · 生產力 · 行銷MePersona 是為創作者設計的 AI 統一收件匣。它學習你的說話方式，在 12 個平台上草擬粉絲訊息回覆，只送出你核准的內容。
Fluence
Yay Software (Yannick Huchard) · 寫作 · 語音與語言 · 生產力Fluence 是 Android 上的文件閱讀器，能朗讀 PDF、EPUB、Word 檔與網路文章，逐句跟著語音標示，並在手機上直接回答你對內容的提問。