Inworld推出实时文本转语音模型Realtime TTS-2

Realtime TTS-2 今日正式可用，它现在是 Artificial Analysis 上排名第一的模型，也是同级别中全球最快的 TTS。

此前的研究预览版用量远超预期，我们把从中获得的经验反馈回研究中，今日正式发布的这个模型代表了 Inworld 历史上最大的飞跃。

Realtime TTS-2 Flash 也在今日发布，它是全球最快的文本转语音模型，首字节响应时间仅 25ms。价格仅为此前一半，还登顶了排行榜，领先于成本和延迟都高出 20 倍的模型。它专为每毫秒都至关重要的应用打造。

目前已有数亿人每天通过基于该模型构建的应用与 Realtime TTS-2 交互。它为语言学习、辅导、陪伴、角色扮演、健康、健身、新闻、游戏和客户体验领域中排名前 1% 的消费级应用提供动力。

Realtime TTS-2 功能：→ 自然语言语音指令 → 首字节响应时间约 100ms → 跨语言支持：在 200 多种语言中保持同一音色身份 → 自助式专业语音克隆 → 自然语言语音设计 → 多轮上下文 → 订阅价每百万字符 12.50 美元（每分钟 1.5 美分）

Realtime TTS-2 支持通过自然语言语音指令，指示每一行文本该如何朗读。你可以决定发音方式。
[咬着牙说，几乎忍无可忍] “我为你高兴，真的。”
[温暖地说，字字真心] “我为你高兴，真的。”

有了 Realtime TTS-2，你会感觉自己就像一位导演在和一名天赋异禀的配音演员合作——它带来了全新级别的可控性和响应速度。

@livekit 是我们开发 TTS-2 的亲密合作伙伴，其 CTO David Zhao 称它“是情感化语音合成领域真正的一步飞跃”。