Realtime TTS-2 et sa variante Flash sont disponibles. Voice Direction, non-verbaux et contexte audio peuvent guider le rendu vocal ; le respect des consignes françaises, la reproductibilité et la latence Où est Ava ? complète restent à mesurer.
15.10.2026 · Veille — à évaluer
Inworld au-delà du TTS
Inworld au-delà du TTS : Inference héberge aussi des LLM ouverts optimisés et route des appels vers des fournisseurs tiers. Le choix du modèle de réponse reste distinct du choix de la voix.
Les gains annoncés sont des mesures fournisseur, pas des résultats de nos projets. L’inférence publique est située aux États-Unis ; les régions Enterprise et les modèles disponibles doivent être confirmés. Le ZDR doit être activé et ne couvre pas les fournisseurs tiers routés.
L’API compatible OpenAI ne fournit pas les embeddings : le RAG reste séparé. Le secours sur premier token lent ajoute son délai d’attente ; les outils et sorties JSON doivent être validés pour chaque modèle, y compris après repli.
Inworld Realtime TTS-2 + Flash
TTS conversationnel disponible : direction libre, contexte audio, non-verbaux et variante Flash à faible délai serveur
Scores comparatifs
Architecture
Candidat à tester pour la couche voix d’Où est Ava ?, non pour la couche avatar vidéo. Voice Direction, non-verbaux et contexte audio inter-tours offrent une voie directe pour le « comment » d’une réplique. Tester les consignes françaises, les scènes sensibles, le lip-sync avec le renderer retenu et la latence de bout en bout. Pour le Dilemme Plastique, traiter la résidence UE/Inde comme une option Enterprise contractuelle, non comme un déploiement souverain automatique.
Analyse
Inworld Realtime TTS-2 est désormais disponible avec une variante Flash. Il associe Voice Direction en langage naturel, non-verbaux, contexte audio inter-tours, Voice Design et une identité vocale sur 200+ langues. TTS-2 publie 100 ms TTFB P90 côté serveur et Flash 20 ms ; aucun de ces chiffres n’est une latence Où est Ava ? de bout en bout. La plateforme propose aussi STT, Realtime API et LLM Router. Le respect des consignes françaises, la compatibilité visèmes et les conditions Enterprise de souveraineté restent à valider.
Points forts
- Realtime TTS-2 disponible : direction libre et non-verbaux
- Contexte audio inter-tours et modes Expressive/Balanced/Stable
- TTS-2 Flash : 20 ms TTFB P90 annoncé côté serveur
- 200+ langues et une identité vocale crosslingue annoncées
- Clonage instantané et Voice Design selon le plan
- Plateforme : TTS + STT + Realtime S2S + LLM Router
- Timestamps utiles au lip-sync
- Résidence UE/Inde et SLA/DPA à contractualiser sur Enterprise
Limitations
- TTFB serveur hors réseau, LLM et vidéo
- Direction libre et non-verbaux en français à tester scène par scène
- Résidence UE/Inde et conditions on-premise limitées aux termes Enterprise
- Modèles et limites du Router évoluent fréquemment
Capacités vocales
Instant voice cloning (free). Professional voice cloning (Growth/Enterprise add-on). Advanced Voice Design: create a voice from a prose description — no reference audio needed. Up to 5 custom voices (On-Demand), 100 (Creator), 1,000 (Developer), 3,000 (Growth). ElevenLabs migration tool available.
Realtime TTS-2 disponible interprète des indications de jeu libres, des non-verbaux et le contexte audio des tours précédents en rendu vocal conversationnel.
Comment : Direction en langage naturel, marqueurs non verbaux, contexte audio inter-tours et modes `Expressive`, `Balanced` ou `Stable`, avec voix/design vocal selon le plan.
À tester : La direction est une interprétation générative : mesurer le respect des consignes françaises, la reproductibilité et le lip-sync avant un choix Où est Ava ? TTFB publié côté serveur uniquement.
Streaming-native via WebSocket and REST. TTS-2 annonce 100 ms TTFB P90 côté serveur et Flash 20 ms P90 ; ces chiffres excluent le réseau, le LLM et la vidéo. Realtime API : WebSocket full-duplex S2S, détection de tour, tool calling et routage LLM. Les backchannels peuvent être diffusés pendant le raisonnement.
Word, character, phoneme, and viseme-level timestamps. Unity/Unreal SDKs with lipsync templates.
Tarification
Realtime TTS-2 : $25/1M chars On-Demand, $20 Creator, $17.50 Builder, $15 Developer et $12.50 Growth. TTS-2 Flash : $15 → $7/1M chars aux mêmes paliers. L’estimateur Inworld emploie ~1 000 caractères/min ; les crédits mensuels sont inclus dans les plans payants.
| Plan | Abonnement/mois | Inclus | Dépassement/min | Topup |
|---|---|---|---|---|
On-Demand (gratuit) PAYG au-delà de 70 min à 25 $/1M caractères (~0,025 $/min à 1 000 caractères/min) | Gratuit | 70 min | $0.0250 | Oui |
Creator Crédits reportables. Dépassement à $20/1M caractères (TTS-2) | $25/mo | 1,250 min | $0.0200 | Oui |
GrowthRecommandé Meilleur tarif : $12.50/1M chars (TTS-2) | $1500/mo | 120,000 min | $0.0125 | Oui |
Souveraineté & Conformité
Résidence UE/Inde, SLA et DPA sont des options Enterprise. ZDR, HIPAA et BAA sont proposés en option Growth ; vérifier contractualisation, conservation des voix et éventuelles conditions on-premise séparément.
Résidence des données : US, EU, India
Certifications & conformité
HIPAA, ZDR (Zero Data Retention) et BAA relèvent des options Growth/Enterprise. La résidence UE ou Inde et les éventuelles conditions on-premise doivent être contractualisées séparément ; aucune ne vaut déploiement souverain automatique.
Positionnement de Inworld Realtime TTS-2 + Flash
Au-delà des specs techniques : où se positionne cet outil dans l'écosystème, quels sont les risques et les enjeux stratégiques pour GamiWays ?
Inworld Realtime TTS-2 est désormais disponible : Voice Direction et contexte inter-tours en font une voie crédible pour tester comment Où est Ava ? parle. Les 100/20 ms TTFB serveur annoncés et le résultat émotionnel français exigent encore un test de scène de bout en bout.
A. Positionnement stratégique
Client cible : Enterprise / Developer — regulated industries, gaming, real-time agents
Realtime TTS-2 disponible pour la conversation : Voice Direction libre, Conversational Awareness, non-verbaux, Voice Design et variante Flash. Les conditions Enterprise gouvernent résidence UE/Inde et on-premise.
B. Avantage concurrentiel
- TTS 1.5 #1 Artificial Analysis Speech Arena (devant Google et ElevenLabs)
- TTS-2 : Voice Direction — instructions de livraison en langage naturel inline (unique sur le marché)
- TTS-2 : Conversational Awareness — le modèle entend les tours audio précédents, ton et rythme portés
- TTS-2 : 200+ langues/locales annoncées, une identité vocale et usage crosslingue
- Plateforme complète : TTS + STT + Realtime API (WebSocket S2S) + Inference (LLM ouverts hébergés + routage tiers)
Vulnérabilité : Les 100/20 ms TTFB publiés sont côté serveur, non une latence de dialogue complète. Le respect des directions françaises, la synchronisation vidéo et les conditions Enterprise/on-premise restent à mesurer ou contractualiser.
E. Questions stratégiques pour GamiWays
Fit souveraineté
Les conditions Enterprise sont nécessaires pour résidence UE/Inde, SLA/DPA et toute discussion on-premise. Traiter ZDR, HIPAA et BAA comme attributs contractés séparément ; ne pas classer l’accès standard comme souverain.
Build vs. Buy
Option buy/test prioritaire pour la direction vocale Où est Ava ?, non pour l’achat d’un avatar vidéo. Comparer TTS-2 et Flash sur les mêmes scènes françaises ; la souveraineté nécessite une revue contractuelle Enterprise.
Risque de lock-in
Les modèles propriétaires et la plateforme full-stack créent un certain lock-in. La compatibilité drop-in avec l'API Realtime OpenAI réduit le coût de migration. Inference utilise une API compatible OpenAI distincte ; le prix seul ne réduit pas le coût de sortie.
Alignement roadmap
Fort alignement avec la couche voix Où est Ava ? : le contexte inter-tours peut soutenir la continuité et Voice Direction peut modifier une interprétation sans réenregistrement. Valider consignes françaises, non-verbaux, visèmes et timing vidéo de bout en bout avant adoption.
Vérification de cette fiche
Inworld Realtime TTS-2 announcement and documentation, 31 Aug–6 Sep 2026. Published TTFB is server-side P90; no score or Où est Ava ? latency is inferred from it.
Note de mise à jour : Arena publique du 17 octobre 2026 : Realtime TTS-2 ELO 1262 (rang 7), Realtime TTS-2 Flash ELO 1220 (rang 12). Les tarifs de septembre ($25 à $12,50 / 1M) ne sont pas remplacés : l’arena affiche $20,8 et $10,4 / 1M, non relus sur inworld.ai.
Cette date concerne les prix, capacités et notes propres à cette fiche. Les benchmarks de comparaison suivent la synchronisation et la méthode indiquées dans le bloc au-dessus.
Benchmarks ELO / indices : Artificial Analysis · Dernière sync API : 5 octobre 2026