Inworld

Inworld 是一家做实时语音模型与开源大模型推理的公司，官网的定位是「AI built for people」——把语音合成、语音识别、语音到语音和 LLM 推理放在同一套自有机群上，服务的是面向普通用户的消费级应用。官方称首字音频延迟可以低至 50 毫秒，每月处理数十万亿 token。与只卖单一 TTS 接口的厂商不同，它同时提供模型、推理托管和一批可直接试听的语音角色。

核心能力

• 实时语音合成：Realtime TTS-2 与 TTS-2 Flash 两档，前者偏质量、后者偏速度；演示里可以用方括号写情绪指令，控制语气和节奏。
• 语音识别与语音到语音：Realtime STT-1 负责转写，「Speech to speech」用一条连接同时完成听和说，省掉两次请求的拼接。
• Inworld Inference 推理托管：官方称其首个 token 的返回速度比多数同类供应商快近 8 倍，模型跑在自建机群上，并提供 fast mode 开关。
• 多角色多语言：内置 Companion、Fitness coach、Storyteller、Language tutor、Narrator 等角色音色，支持英语、西班牙语、法语、德语、日语、韩语等语种。
• 接入主流语音框架：官方称在 LiveKit Agents 里使用 Inworld 语音不需要第二个 API key，一个开关即可打开 Expressive 模式。
• 成本与速度的实测案例：官方公布的客户案例中提到，某产品 97% 的语音由 Inworld 提供、速度最高提升 5 倍；另一案例把单用户成本压低 95%，19 天做到百万用户。

适合谁

• 做语音陪伴、口语练习、有声故事类消费应用的团队：角色音色和情绪控制是现成的。
• 需要低延迟语音对话的游戏与实时互动产品：首字延迟直接决定「像不像在对话」。
• 已经用 LiveKit 搭好 Agent、想换掉语音供应商的开发者：官方称接入只需一个开关。
• 做多语言客服或内容分发的出海产品：同一套接口覆盖多个语种。

使用建议

• 先用官方 playground 试听各角色音色与情绪控制，确认风格再写代码，能省掉大量来回调参。
• 起步建议用 TTS-2 Flash 压延迟，效果不够再换 TTS-2，两档可以按场景混用。
• 接入需要 API key，官网提供申请入口；具体计费以定价页为准，官方强调消费级应用的单用户成本可以从每天几美元压到几美分。
• 如果已经在用 LiveKit Agents，先试官方说的一键 Expressive 模式，避免重复封装一层。
• 上线前在真实网络环境下测首字延迟，50 毫秒是理想条件下的数字，移动网络会明显不同。