Inworld 称 Realtime TTS-2 正式商用：首字节延迟约 100 毫秒，同一音色支持 200 多种语言，同日发布的 Flash 版本降至 25 毫秒

Inworld 于 9 月 2 日发布公告，宣布实时文本转语音（TTS，即把文字转成语音的技术）模型 Realtime TTS-2 正式商用（GA）。按公司说法，新模型首字节延迟约 100 毫秒，同一音色身份可覆盖 200 多种语言，并在第三方评测站 Artificial Analysis 上位列同类第一。Inworld 称这是其历史上最大的一次跃升：研究预览版用量远超预期，那些使用经验回流到研究之中，形成了今天的正式版。

用自然语言指挥语音表演

TTS-2 支持用自然语言做语音指导（voice direction）和音色设计：把表演提示写进方括号，同一句“我为你高兴，真的”，在“咬着牙强忍”与“温暖真诚”两种提示下情绪截然不同。模型还提供自助式专业声音克隆与多轮上下文。LiveKit 首席技术官 David Zhao 称其为情感表现力语音合成的一次真正进步。Inworld 表示，语言学习、辅导、陪伴与角色扮演、健康健身、新闻、游戏和客户体验等领域，每天有数亿人在与基于该模型的应用互动。

速度、价格与接入

Realtime TTS-2 的订阅价为每百万字符 12.5 美元，约合每分钟 1.5 美分。同日发布的 TTS-2 Flash 被 Inworld 称为“世界上最快的文本转语音模型”，首字节延迟 25 毫秒，价格为其一半，面向每一毫秒都重要的场景。模型已在 inworld.ai 上线，也可通过 Cloudflare、DeepInfra、LiveKit、Tencent RTC 等平台调用。需要说明的是，“第一”“最快”“最大跃升”等表述均出自 Inworld 自身，本站未做独立核实。