Inworld AI представила модель Realtime TTS-2, которая генерирует речь в реальном времени и поддерживает более 100 языков, включая русский. Модель подстраивается под собеседника, считывает ритм, тембр и эмоциональное состояние по ходу разговора и меняет собственную речь. В слепых тестах Voice Arena от Artificial Analysis она заняла первое место, обойдя Cartesia Sonic 3.6 по естественности произношения, расстановке пауз и реалистичности интонаций. Inworld AI выпустила синтезатор речи Realtime TTS-2, который генерирует голос в реальном времени и поддерживает более 100 языков, включая русский. Модель подстраивается под собеседника: считывает ритм, тембр и эмоциональное состояние по ходу разговора и меняет собственную речь. Стилем можно управлять текстом — попросить говорить шёпотом или звучать уставшим. Она умеет вставлять вздохи, смех и дыхание, а также клонировать голос, сохраняя тембр при переходе на другой язык. В слепых тестах Voice Arena от Artificial Analysis модель заняла первое место, обойдя Cartesia Sonic 3.6 по естественности произношения, расстановке пауз и реалистичности интонаций. Такой результат важен для сервисов, где голос используется как основной интерфейс: игровые персонажи, виртуальные ассистенты, образовательные приложения и системы поддержки клиентов. Более естественная речь снижает ощущение «роботизированности» и делает диалог ближе к человеческому общению. Доступ открыт через Inworld Realtime API, тарифы — от 25 до 1500 долларов в месяц в зависимости от объёма использования. Для разработчиков это возможность встроить качественный голос в свои продукты без необходимости обучать собственные модели. Конкуренция в сегменте синтеза речи обостряется: после того как Cartesia ненадолго заняла первое место в рейтингах, Inworld вернула лидерство с новой версией. Это стимулирует другие компании улучшать свои системы, что в итоге повышает общий уровень технологии на рынке.