inworld

Inworld AI

文本转语音平台，支持语音克隆、音频标记和时间戳对齐。

快速导航

主题	参考
安装	installation.md
语音克隆	cloning.md
语音控制	voice-control.md
API 参考	api.md

适用场景

• 文本转语音音频生成
• 从 5-15 秒音频中克隆语音
• 情绪控制语音（[happy]、[sad] 等）
• 用于口型同步的单词/音素时间戳
• 使用 IPA 自定义发音

模型

模型	ID	延迟	价格
TTS-2 Flash	inworld-tts-2-flash	最低	见定价
TTS-2	inworld-tts-2	最新	见定价
TTS 1.5 Max	inworld-tts-1.5-max	旧版	旧版
TTS 1.5 Mini	inworld-tts-1.5-mini	旧版	旧版

最简示例

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'])

主要功能

• 15 种语言 — en、zh、ja、ko、ru、it、es、pt、fr、de、pl、nl、hi、he、ar
• 即时克隆 — 5-15 秒音频，无需训练
• 音频标记 — [happy]、[laughing]、[sigh]（仅限英语）
• 时间戳 — 用于口型同步的单词、音素、视素计时
• 流式传输 — /voice:stream 端点
• TTS-2 引导 — 使用自然语言方括号指令，例如 [say excitedly] 或 [whisper in a hushed style]
• 表达模式 — STABLE、BALANCED、CREATIVE，以一致性换取情绪表现范围
• 跨语言合成 — 在多种语言中复用同一语音；语音本地化可提升输出的母语感

版本亮点（TTS-2）

• Realtime TTS-2 通过 modelId="inworld-tts-2" 成为新的主力模型系列。
• 引导方式不再局限于旧版固定情绪标签：自由格式的方括号指令可控制风格、音高、语速、强度和非语言发声。
• 多语言覆盖范围扩大，15 种语言均达到生产级质量，此外还扩大了实验性支持范围。
• deliveryMode 增加了稳定性与创造性的调节选项；指定 language 对跨语言输出质量更加重要。

版本更新（2026 年 8 月）

• 新增 inworld-tts-2-flash 模型：延迟和成本最低，覆盖全部语言，支持即时语音克隆和时间戳对齐。引导和专业语音克隆仍为 inworld-tts-2 专属功能。
• 引导指令现在会持续生效，直到明确更改：保留标签 [reset] 可结束设置了风格的片段，而 <break/> 暂停不再清除当前指令。合成语音请求中的 instruction 字段也可替代内联标签。
• 跨语言语音合成和语音本地化得到改进，使用同一语音进行多语言合成时，输出更具母语感。

禁止事项

• 音频标记仅适用于英语
• 在文本开头使用一个情绪标记
• 语音语言应与文本语言一致
• 即时克隆可能不适用于儿童声音或独特口音

链接

• 文档
• 更新日志
• 平台