是什么

Inworld 是 Inworld AI 提供的模型与推理服务,覆盖实时文本转语音、语音转文字、语音到语音和 LLM 推理四类接口。官方站点把互动媒体、陪伴、教育等场景列为用例,并给出角色语音的试听示例。语音模型 Realtime TTS-2 覆盖约 500 种语言和方言,Realtime STT-1 在流式转写的同时输出情绪、风格、年龄、口音四项特征。[1]

能做游戏开发的哪一步

  • 把 NPC 台词在运行时合成语音,调用 Realtime TTS-2 或 Realtime TTS-2 Flash,官方给出的首个音频延迟分别低至 90 毫秒和 50 毫秒。[1]
  • 按剧情调整念法,TTS-2 支持 Steering、语速控制、温度控制和自定义发音,官方功能表把 Steering 标为仅 Realtime TTS-2 提供。[1, 2]
  • 接住玩家的语音输入,Realtime STT-1 输出流式转写并附带情绪、风格、年龄、口音四项语音特征,可用于让角色对玩家的语气作出反应。[1]
  • 把听、推理、说放在一条连接上,语音到语音在单个 WebSocket 或 WebRTC 连接内完成,官方给出的最快数字是一轮对话结束到首个音频 204 毫秒。[1]

适合谁

开发者开发者拿到的是 API,官方站点提供 API key 与文档入口,定价页列出 API 访问、音频下载、自定义发音、时间戳、并发请求上限等能力;语音到语音可按会话调用任意 LLM。[1, 2]

零基础需要写代码接入 API,并准备 API key;官方提供 Playground,可以先试听语音、试一段对话再决定接入方式,做进游戏仍要自行完成引擎或应用的接入环节。[1, 2]

限制和要注意的

  • 语音合成、转写和推理都在 Inworld 的服务端运行,需要联网并使用 API key;官方列出四个服务区域,LLM 推理在美国区域提供。[1]
  • TTS Playground 单次请求的字数上限按档位不同,最低 2,000 字符,其余档位为 40,000 字符;并发请求上限从 5 起到可定制。[2]
  • 定价页在平台与合规一栏列出 Commercial license、GDPR 与 SOC 2 Type II,零数据留存只在部分档位提供,授权范围以官方条款为准。[2]

读者和 X 上怎么说

本站读者

投票中

只统计本站读者的投票,每个工具每天一票,每小时更新。

X 上的用户反馈

2026-10-17 至 2026-11-16 X 上讨论太少。

来源

  1. inworld.ai收录于 2026-11-14
  2. inworld.ai/pricing收录于 2026-11-14