mcpField
I
inworld

inworld

github.com/itechmeatクリエイティブ・メディア2459 回インストール4 日前に更新
リポジトリ

inworld について

inworldは、Inworld AIのテキスト読み上げプラットフォームを利用する音声生成スキルです。ボイスクローン、表現の制御、多言語合成、メディア制作向けのタイムスタンプに対応します。

主な機能

  1. 01テキスト読み上げ生成
  2. 02短い音声からのボイスクローン
  3. 03感情とスタイルの制御
  4. 04単語・音素・ビゼームのタイムスタンプ
  5. 05音声ストリーミングエンドポイント
  6. 06クロスリンガル音声合成

活用シーン

  1. 01テキストから音声を生成
  2. 02短いサンプルから音声を作成
  3. 03コンテンツに表情豊かな音声を追加
  4. 04音声とリップシンクアニメーションの同期

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/itechmeat/llm-code --skill inworld

インストール後、Claude Code で/inworldを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

references/
api.md
audio.md
cloning.md
installation.md
voice-control.md

詳細

Inworld AI

音声クローニング、オーディオマークアップ、タイムスタンプのアライメントに対応したテキスト読み上げプラットフォームです。

クイックナビゲーション

トピック参照
インストールinstallation.md
音声クローニングcloning.md
音声制御voice-control.md
API リファレンスapi.md

使用する場面

  • テキスト読み上げによる音声生成
  • 5〜15 秒の音声からの音声クローニング
  • 感情を制御した音声（[happy]、[sad] など）
  • リップシンク用の単語／音素のタイムスタンプ
  • IPA を使用したカスタム発音

モデル

モデルIDレイテンシ価格
TTS-2 Flashinworld-tts-2-flash最低価格を参照
TTS-2inworld-tts-2最新価格を参照
TTS 1.5 Maxinworld-tts-1.5-maxレガシーレガシー
TTS 1.5 Miniinworld-tts-1.5-miniレガシーレガシー

最小限の例

import requests, base64, os

response = requests.post(
    "https://api.inworld.ai/tts/v1/voice",
    headers={"Authorization": f"Basic {os.getenv('INWORLD_API_KEY')}"},
    json={"text": "Hello!", "voiceId": "Ashley", "modelId": "inworld-tts-1.5-max"}
)
audio = base64.b64decode(response.json()['audioContent'])

主な機能

  • 15 言語 — en、zh、ja、ko、ru、it、es、pt、fr、de、pl、nl、hi、he、ar
  • 即時クローニング — 5〜15 秒の音声で利用でき、トレーニングは不要です
  • オーディオマークアップ — [happy]、[laughing]、[sigh]（英語のみ）
  • タイムスタンプ — リップシンク用の単語、音素、ビジームのタイミング
  • ストリーミング — /voice:stream エンドポイント
  • TTS-2 の誘導 — [say excitedly] や [whisper in a hushed style] のような自然言語による角括弧付きの指示
  • 発話モード — STABLE、BALANCED、CREATIVE により、一貫性と感情表現の幅を調整できます
  • 多言語合成 — 1 つの音声を複数の言語で再利用できます。音声ローカライズにより、ネイティブらしい出力が向上します

リリースの主な内容（TTS-2）

  • modelId="inworld-tts-2" を通じて、Realtime TTS-2 が新しい主要モデルシリーズになります。
  • 誘導機能は従来の固定された感情タグを超え、自由形式の角括弧付き指示でスタイル、ピッチ、速度、強度、非言語音を制御できるようになります。
  • 本番品質で対応する 15 言語に加えて、より幅広い言語を実験的にサポートし、多言語対応が拡大します。
  • deliveryMode により安定性と創造性を調整できるようになります。また、多言語出力の品質向上には language の指定がより重要になります。

リリース情報（2026 年 8 月）

  • 新しい inworld-tts-2-flash モデルが登場します。最低のレイテンシとコスト、全言語への対応、即時音声クローニング、タイムスタンプのアライメントを提供します。誘導機能とプロフェッショナル音声クローニングは、引き続き inworld-tts-2 専用です。
  • 誘導指示は明示的に変更されるまで維持されるようになりました。予約済みの [reset] タグでスタイル付きの区間を終了でき、<break/> による一時停止では有効な指示が解除されなくなりました。インラインタグの代わりに、音声合成リクエストの instruction フィールドを使用することもできます。
  • 多言語音声合成と音声ローカライズが改善され、1 つの音声を複数の言語で再利用した際に、よりネイティブらしい出力が得られます。

禁止事項

  • オーディオマークアップは英語でのみ機能します
  • 感情マークアップは、テキストの先頭に1 つだけ使用してください
  • 音声の言語とテキストの言語を一致させてください
  • 子どもの声や独特なアクセントでは、即時クローニングが機能しない場合があります

リンク

コメント

Markdown 対応