Inworld AI: Realtime TTS-2

Name: Realtime TTS-2
Author: Inworld AI

inworld/inworld-tts-2

提供中 tts 1プロバイダー

Playground

Inworld's flagship text-to-speech model: 200+ languages and locales, natural-language steering with persistent bracketed instruction tags, word/character timestamps with phoneme and viseme detail, instant and professional voice cloning, and a reported 100 ms P90 server-side time to first audio byte.

作成者Inworld AI

言語94言語

ボイス読み込み中...

ステータス提供中

クイックスタート

Realtime TTS-2

APIキーを作成する

AllModelsに登録してAPIキーを作成し、ALLMODELS_API_KEYとして設定します。

APIキーを作成

リクエストを送る

SDK、リクエストモード、言語を選びます。モデルとプロバイダールートは入力済みです。

ElevenLabs SDKでのストリーミングTTS

ElevenLabs SDKをAllModels経由でルーティングし、音声レスポンスをストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

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

const stream = await client.textToSpeech.stream("voice_id", {
  text: "I'm sorry, Dave. I'm afraid I can't do that.",
  modelId: "inworld/inworld-tts-2",
  outputFormat: "mp3_44100_128"
}, {
  queryParams: {
    provider: {
      "only": [
        "inworld"
      ]
    }
  }
});

const reader = stream.getReader();
for (;;) {
  const { done, value } = await reader.read();
  if (done) break;
  // Write value to your response, file, or audio playback pipeline.
}

プロバイダーパラメーターを渡す

ルートを特定のプロバイダーに固定したい場合は、互換SDKのリクエストオプションでproviderの設定を渡します。

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

プロバイダー

同じモデルを複数のプロバイダーがホストしている場合があります。バックエンドを固定したい場合は1つのプロバイダーを選び、そうでなければルーティングに選択を任せられます。

プロバイダーSlug1,000文字あたりレイテンシiモード稼働率

Inworld AI 9個のパラメーター

inworld

$0.025から

—

同期 · ストリーミング

Inworld AI

このルートには9個のプロバイダーパラメーターが記載されています。

料金

モード言語1,000文字あたり

Realtime すべて $0.025

Realtime すべて $0.02

Realtime すべて $0.0175

Realtime すべて $0.015

Realtime すべて $0.0125

Batch すべて $0.02

パラメーター

audioConfig.audioEncoding body · unknown · 任意

AllModelsのパラメーター「response_format」から変換されます。

audioConfig.bitRate body · unknown · 任意

AllModelsのパラメーター「bit_rate」から変換されます。

audioConfig.sampleRateHertz body · unknown · 任意

AllModelsのパラメーター「sample_rate」から変換されます。

audioConfig.speakingRate body · unknown · 任意

AllModelsのパラメーター「speed」から変換されます。

instruction body · unknown · 任意

AllModelsのパラメーター「instructions」から変換されます。

language body · unknown · 任意

AllModelsのパラメーター「language」から変換されます。

modelId body · unknown · 任意

AllModelsのパラメーター「model」から変換されます。

text body · unknown · 任意

AllModelsのパラメーター「input」から変換されます。

voiceId body · unknown · 任意

AllModelsのパラメーター「voice」から変換されます。

対応言語

94言語

Arabic ar

Chinese zh

Dutch nl

English en

French fr

German de

Hebrew he

Hindi hi

Italian it

Japanese ja

Korean ko

Polish pl

Portuguese pt

Russian ru

Spanish es

Afrikaans af

Albanian sq

Amharic am

Armenian hy

Assamese as

Azerbaijani az

Basque eu

Belarusian be

Bengali bn

Bulgarian bg

Burmese my

Cantonese yue

Catalan ca

Cebuano ceb

Croatian hr

Czech cs

Danish da

Eastern Yiddish yih

Egyptian Arabic arz

Estonian et

Filipino fil

Finnish fi

Galician gl

Garhwali gbm

Georgian ka

Greek el

Gujarati gu

Gulf Arabic afb

Haitian Creole ht

Hijazi Arabic acw

Hungarian hu

Icelandic is

Indonesian id

Javanese jv

Kannada kn

Kazakh kk

Konkani kok

Lao lo

Latvian lv

Libyan Arabic ayl

Lithuanian lt

Luxembourgish lb

Macedonian mk

Maithili mai

Malagasy mg

Malay ms

Malayalam ml

Marathi mr

Mongolian mn

Najdi Arabic ars

Nepali ne

Northern Uzbek uzn

Norwegian Bokmål nb

Norwegian Nynorsk nn

Odia or

Omani Arabic acx

Pashto ps

Persian fa

Piedmontese pms

Punjabi pa

Romanian ro

Serbian sr

Sindhi sd

Sinhala si

Slovak sk

Slovenian sl

Swahili sw

Swedish sv

Tamil ta

Telugu te

Thai th

Tunisian Arabic aeb

Turkish tr

Ukrainian uk

Urdu ur

Uzbek uz

Vietnamese vi

Võro vro

Welsh cy

ボイス

機能

Text to speech

Generates spoken audio from text input.

text_to_speech

Streaming

HTTP chunked streaming (POST /tts/v1/voice:stream, newline-delimited JSON with base64 audio) and a bidirectional WebSocket API.

streaming

Async long-text synthesis

Async job API (POST /tts/v1/voice:synthesizeAsync) accepts up to 100,000 characters per job (On-Demand accounts capped at 10,000) and stitches the audio server-side; the sync and streaming APIs cap text at 2,000 characters.

async_long_text

Batch synthesis

Batch job API (POST /tts/v1/voice:synthesizeBatch, marked Preview) accepts up to 10,000 items of 100,000 characters each, capped at 10,000 characters per whole batch on On-Demand accounts, and is metered 20% below realtime synthesis on every plan.

batch

Word timestamps

timestampType=WORD returns timestampInfo.wordAlignment with per-token start and end times, and CHARACTER returns characterAlignment.

word_timestamps

Phoneme and viseme timing

WORD timestamps include phoneticDetails with IPA phone symbols, durations and viseme symbols for lip-sync.

visemes

Instant voice cloning

High-quality instant voice cloning (IVC) is supported.

instant_voice_cloning

Multilingual

200+ languages and locales, with cross-lingual synthesis and voice localization.

multilingual

Speaking rate control

audioConfig.speakingRate accepts 0.5-1.5 (1.0 = native speed).

speed_control

Non-verbal tags

Bracketed non-verbal sounds such as [laugh] and [sigh] work on both TTS-2 models.

non_verbal_tags

Synthesis context

synthesisContext.previousRequests supplies prior turns' text as context.

synthesis_context

Natural-language steering

Bracketed instruction tags and the request-level instruction field direct delivery, and a tag persists until changed or [reset].

instruction_steering

Delivery mode

deliveryMode (STABLE, BALANCED or CREATIVE) trades consistency against emotional range and defaults to BALANCED.

delivery_mode

Professional voice cloning

Professional Voice Cloning is documented as supported on inworld-tts-2 only.

professional_voice_cloning

コード

ElevenLabs SDKでのストリーミングTTS

ElevenLabs SDKをAllModels経由でルーティングし、音声レスポンスをストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

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

const stream = await client.textToSpeech.stream("voice_id", {
  text: "I'm sorry, Dave. I'm afraid I can't do that.",
  modelId: "inworld/inworld-tts-2",
  outputFormat: "mp3_44100_128"
}, {
  queryParams: {
    provider: {
      "only": [
        "inworld"
      ]
    }
  }
});

const reader = stream.getReader();
for (;;) {
  const { done, value } = await reader.read();
  if (done) break;
  // Write value to your response, file, or audio playback pipeline.
}