Inworld STT
Voice profiling STT — <100ms, Realtime API $0.015/min, clonage vocal natif, 100+ langues
Scores comparatifs
Architecture
Valeur stratégique élevée pour l'Axe 2 GamiWays (Comportement Avatar) et l'Emotional Toolbox. Le voice profiling permet la détection d'émotion temps réel sans modèle séparé — alimentant directement la sélection d'expression avatar et le conditionnement des prompts LLM. Latence <100ms compatible avec la cible Phase 1.
Analyse
Inworld STT (2025–2026) est l'API STT cloud la plus riche en fonctionnalités pour les agents vocaux interactifs. Latence documentée <100ms, 100+ langues via routage multi-fournisseur (Whisper large-v3 + AssemblyAI). Voice profiling temps réel unique extrait émotion, accent, âge, pitch et style vocal sur chaque chunk. Realtime API (pipeline complet STT+LLM+TTS) à partir de 0,015$/min — 4x moins cher qu'OpenAI Realtime (0,06$/min). Clonage vocal natif : voix intégrées + clonées + custom (jusqu'à 3 000 voix custom sur Growth). RAG via function calling mid-conversation. Support ZDR. On-premise disponible en Enterprise. Compatible drop-in avec l'API Realtime OpenAI.
Points forts
- <100ms latence streaming documentée (92ms TTFA)
- Realtime API 0,015$/min — 4x moins cher qu'OpenAI Realtime
- Clonage vocal natif : voix intégrées + clonées + custom (jusqu'à 3 000 voix)
- RAG via function calling mid-conversation
- Voice profiling : émotion, accent, âge, pitch, style vocal
- 100+ langues (backend Whisper large-v3)
- VAD sémantique + acoustique
- ZDR — audio jamais stocké
- On-premise disponible (Enterprise)
- Compatible drop-in avec l'API Realtime OpenAI
- Condition Router : routage par émotion/langue/tier
Limitations
- On-premise Enterprise uniquement (pas disponible sur les tiers inférieurs)
- Tarification moins transparente que Deepgram (système de crédits)
- Multi-fournisseur ajoute de la variabilité de latence
- Risque de vendor lock-in si utilisation de la stack Inworld complète
- Pas de fine-tuning sur données personnalisées
- Hausse de prix de 400%+ signalée en 2026 (risque de consolidation marché)
Capacités STT
Bidirectional WebSocket streaming. <100ms documented latency (92ms TTFA). Interim results with voice profile signals on every audio chunk. Semantic + acoustic VAD. Configurable endpointing.
100+ langues
Tarification
STT seul : ~$0.10/hr (prix réduit -50% juin 2026). Realtime API (pipeline complet STT+LLM+TTS) : à partir de $0.015/min (vs OpenAI Realtime $0.06/min). Growth plan : $1,500 crédits/mois. Ancien prix : $0.36/hr. Free tier disponible.
| Plan | Abonnement/mois | Inclus | Dépassement/min | Topup |
|---|---|---|---|---|
On-Demand (gratuit) Pay-as-you-go au-delà des minutes incluses | Gratuit | 40 min | $0.0017 | Oui |
GrowthRecommandé Remises sur volume disponibles | $200/mo | $200/mo credits | $0.0015 | Oui |
Souveraineté & Conformité
No on-premise. ZDR ensures audio never stored. EU data residency on Enterprise.
Résidence des données : US (default). EU data residency on Enterprise. ZDR available — audio never stored.
Cloud API only. Zero Data Retention (ZDR) available — audio never stored, processed in real time.
Positionnement de Inworld STT
Au-delà des specs techniques : où se positionne cet outil dans l'écosystème, quels sont les risques et les enjeux stratégiques pour GamiWays ?
Inworld STT offre les meilleures références souveraineté parmi les fournisseurs STT commerciaux — on-premise complet, résidence données UE, SOC 2 Type II + GDPR + HIPAA. Mais ses augmentations de prix de 400%+ sont un signal d'alarme stratégique qui accélère la migration vers l'open-source.
A. Positionnement stratégique
Client cible : Developer / Enterprise — gaming, regulated industries, real-time interactive experiences
STT temps réel sub-200ms avec déploiement on-premise complet, résidence des données UE/Inde, et conformité SOC 2 Type II + GDPR + HIPAA.
B. Avantage concurrentiel
- STT temps réel sub-200ms avec haute précision — surpassant les modèles comparables en latence
- Déploiement on-premise complet + résidence données UE/Inde — trifecta souveraineté
- SOC 2 Type II, GDPR, HIPAA — conformité entreprise pour les industries réglementées
Vulnérabilité : Des augmentations de prix significatives (400%+) signalées par les utilisateurs pourraient pousser les clients vers des alternatives open-source. Les modèles open-source réduisent l'écart de qualité.
E. Questions stratégiques pour GamiWays
Fit souveraineté
Déploiement on-premise complet + résidence données UE + SOC 2 Type II + GDPR + HIPAA. Meilleur fit souveraineté parmi les fournisseurs STT commerciaux.
Build vs. Buy
Acheter pour les exigences temps réel Phase 1. Surveiller attentivement les prix. Pour la Phase 2, évaluer Whisper/Voxtral auto-hébergé comme alternative souveraineté rentable.
Risque de lock-in
Modèles propriétaires + augmentations de prix significatives créent un risque de lock-in élevé. Le déploiement on-premise réduit la dépendance cloud mais pas la dépendance fournisseur.
Alignement roadmap
Bon pour les agents temps réel Phase 1. La souveraineté Phase 2 est techniquement satisfaite mais le risque de prix est élevé. Surveiller attentivement la trajectoire des prix.
Vérification de cette fiche
https://inworld.ai/resources/best-speech-to-text-apis
Note de mise à jour : Prix STT réduits -50% juin 2026 : ~$0.10/hr (was $0.36/hr). Realtime API $0.015/min confirmé. Clonage vocal natif. RAG via function calling. On-premise Enterprise. ZDR. EU data residency Enterprise.
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