跳到正文
Hacker News · AI·· 11 小时前AI 评分60

Inworld 发布 Realtime TTS-2 与 TTS-2 Flash,首包音频低至 50 毫秒

Inworld TTS looks not bad at all

AI 导读

Inworld 发布了两款实时文本转语音模型 Realtime TTS-2 和 Realtime TTS-2 Flash,首包音频分别低至 90 毫秒和 50 毫秒。Realtime TTS-2 覆盖约 500 种语言和方言,并接受自然语言表达指令;Flash 则以牺牲表现力调控换取更低延迟和成本,Growth 套餐定价为每百万字符 7 美元起。Inworld 引用 Coval 的基准测试称,Flash 的首包音频速度比 ElevenLabs 快至多 3 倍,比 OpenAI GPT-4o mini TTS 快至多 35 倍,并提供兼容 OpenAI 的端点和 ElevenLabs 迁移工具。

来源:Hacker News · AI · inworld.ai