Inworld AI : Realtime STT

Name: Realtime STT
Author: Inworld AI

inworld/inworld-stt-1

actif stt 1 fournisseur

Playground

Inworld's first-party multilingual speech-to-text model for live voice agents: 30 languages, synchronous file transcription plus bidirectional WebSocket streaming with tunable or client-driven turn detection, and Voice Profile paralinguistic signals (age, gender, emotion, vocal style, accent) alongside the transcript.

AuteurInworld AI

Langues30 langues

Statutactif

Démarrage rapide

Realtime STT

Créez une clé API

Inscrivez-vous sur AllModels, créez une clé API et définissez-la dans ALLMODELS_API_KEY.

Créer une clé API

Envoyez une requête

Choisissez un SDK, un mode de requête et un langage. Le modèle et la route fournisseur sont déjà renseignés.

STT en streaming avec l’ElevenLabs SDK

Diffuse l’audio du micro ou d’un fichier via la route AllModels compatible ElevenLabs.

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const connection = await client.speechToText.realtime.connect({
  modelId: "inworld/inworld-stt-1",
  languageCode: "en"
}, {
  queryParams: {
    provider: {
      "only": [
        "inworld"
      ]
    }
  }
});

// Send audio frames to connection, then handle transcript events.

Transmettez les paramètres du fournisseur

Transmettez les préférences provider via les options de requête du SDK compatible lorsque vous voulez fixer une route sur un fournisseur.

{
  queryParams: {
    provider: {
      only: ["inworld"]
    }
  }
}

Fournisseurs

Plusieurs fournisseurs peuvent héberger le même modèle. Choisissez-en un lorsque vous avez besoin d’un backend fixe, ou laissez le routage choisir parmi eux.

FournisseurSlugPar heureLatenceiModesDisponibilité

Inworld AI 9 paramètres

inworld

À partir de $0,15

—

Synchrone · Streaming

Inworld AI

9 paramètres fournisseur documentés pour cette route.

Tarifs

ModeLanguePar heure

On-Demand Toutes $0,15

Creator And Above Toutes $0,1

Paramètres

audioData.content body · unknown · facultatif

Correspond au paramètre AllModels « input ».

transcribeConfig.audioEncoding body · unknown · facultatif

Correspond au paramètre AllModels « audio_format ».

transcribeConfig.enableSpeakerDiarization body · unknown · facultatif

Correspond au paramètre AllModels « diarization ».

transcribeConfig.includeWordTimestamps body · unknown · facultatif

Correspond au paramètre AllModels « word_timestamps ».

transcribeConfig.language body · unknown · facultatif

Correspond au paramètre AllModels « language ».

transcribeConfig.modelId body · unknown · facultatif

Correspond au paramètre AllModels « model ».

transcribeConfig.numberOfChannels body · unknown · facultatif

Correspond au paramètre AllModels « num_channels ».

transcribeConfig.prompts body · unknown · facultatif

Correspond au paramètre AllModels « prompt ».

transcribeConfig.sampleRateHertz body · unknown · facultatif

Correspond au paramètre AllModels « sample_rate ».

Langues prises en charge

30 langues

Arabic ar

Cantonese yue

Chinese zh

Czech cs

Danish da

Dutch nl

English en

Filipino fil

Finnish fi

French fr

German de

Greek el

Hindi hi

Hungarian hu

Indonesian id

Italian it

Japanese ja

Korean ko

Macedonian mk

Malay ms

Persian fa

Polish pl

Portuguese pt

Romanian ro

Russian ru

Spanish es

Swedish sv

Thai th

Turkish tr

Vietnamese vi

Fonctionnalités

Speech to text

Transcribes spoken audio to text.

speech_to_text

Container-wrapped audio required on the sync endpoint

The sync endpoint sniffs the container and rejects headerless raw PCM, which is a WebSocket-only input.

container_required_on_sync

Streaming

Bidirectional WebSocket streaming (/stt/v1/transcribe:streamBidirectional) returning interim results then isFinal transcripts.

streaming

Word timestamps

includeWordTimestamps returns per-word {word, startTimeMs, endTimeMs, confidence, speaker} on the WebSocket streaming endpoint.

word_timestamps

Per-word confidence

Streaming word timestamps carry a per-word confidence score.

word_confidence

Speaker diarization

Experimental and streaming-only: enableSpeakerDiarization and includeWordTimestamps are required together, and speaker ids are small integers scoped to one stream.

diarization

Voice Profile

voiceProfileConfig.enableVoiceProfile returns ranked paralinguistic labels for age, gender, emotion, vocalStyle and accent.

voice_profile

Turn detection / VAD

Server-side end-of-turn detection by default, tunable via endOfTurnConfidenceThreshold, inworldSttV1Config.minEndOfTurnSilenceWhenConfident, inworldSttV1Config.vadThreshold and inactivityTimeoutSeconds; vadThreshold=0 hands turn control to the client (endTurn / closeStream), with a single manual turn capped around 30 seconds.

turn_detection

Custom vocabulary

prompts biases recognition toward domain terms as a soft bias, not a hard keyword lock.

custom_vocabulary

Automatic language detection

Auto-detects the spoken language; the language field is only a hint and may be omitted.

language_detection

Multilingual transcription

30 languages.

multilingual_transcription

Code

STT en streaming avec l’ElevenLabs SDK

Diffuse l’audio du micro ou d’un fichier via la route AllModels compatible ElevenLabs.

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const connection = await client.speechToText.realtime.connect({
  modelId: "inworld/inworld-stt-1",
  languageCode: "en"
}, {
  queryParams: {
    provider: {
      "only": [
        "inworld"
      ]
    }
  }
});

// Send audio frames to connection, then handle transcript events.