Inworld 解读 TTS-2 语音引导与评测
Inworld AI 研究负责人 Aleksey Tikhonov 撰文解释 TTS-2 的语音引导机制：用指令告诉语音模型该怎么念出台词。文章重点是如何衡量这些指令是否真正生效——自动化音频评判在其测试中表现不足，团队转而测量语音本身的变化。他还谈到指令措辞为何重要、同一方向在不同音色上结果为何不同，这些度量用于追踪模型版本之间的变化，并有其局限。
#语音/音乐
Inworld AIAI 评分2727
Inworld AIAI 评分2323 Inworld 语音到语音体验迈出重要一步
这是我们在语音到语音体验工作上的重要一步，它让语音理解、推理与富有表现力的语音生成更加紧密地结合，而我们才刚刚开始。 完整文章谈我们为何走到一起、今天你能获得什么，以及下一步计划：https://tinyurl.com/inworldultravox
游戏陀螺精选AI 评分4343 Vidu S2 驱动 AI 主播紫樱中秋开播，30多万人在直播间围观整活
中秋节期间，造梦次元的AI主播紫樱在直播间挑战限时营业任务，支撑她的实时互动模型是前不久发布的Vidu S2，当天直播间一度涌入2万人。紫樱没有固定流程，观众可点歌、投票选造型、送礼物，她要在互动中换装和表演，被打断后还得接回前面的内容。作者还实测了Vidu S2的Avatar和Editing，上传真人照片或动漫图片并补充设定即可创建数字人，开启摄像头后能在拍摄过程中实时换装、改画风和换背景。
推荐理由：以一场无固定流程的AI主播直播为样本，实测Vidu S2的实时互动与换装能力，并讨论其在游戏NPC上的落地可能。
Inworld AI Blog精选AI 评分5151 Inworld 收购实时语音智能体平台 Ultravox
Inworld 宣布收购实时语音智能体平台 Ultravox，Ultravox 团队成员已加入 Inworld 并继续开发该平台。收购后的首项更新是 Ultravox 内置的 Inworld 语音改用 Realtime TTS-2，已有语音 ID 继续可用，无需改动代码，升级不额外收费。
推荐理由：收购把语音理解、推理与语音生成并入同一套实时推理基础设施，读者可据此判断语音智能体技术栈的整合走向。
NVIDIA GameDev精选AI 评分3939 NVIDIA 公布面向 RTX 游戏开发者的本月更新，含 DLSS 5、ACE 升级与 RTX Kit 2026.3
NVIDIA 面向 RTX 游戏开发者公布本月更新，包括带 3D-Guided Neural Rendering 控制的 DLSS 5、NVIDIA ACE 的语音管线扩展与推理框架更新，以及包含 RTX Mega Geometry 2.0 的 RTX Kit 2026.3。官方在推文中给出这条更新的开发者博客链接，具体能力与接入方式见 developer.nvidia.com 上的原文。
推荐理由：官方把 DLSS 5、NVIDIA ACE 与 RTX Kit 三块更新并排列出，开发者可对照自己项目的接入优先级与升级顺序。
Inworld AI Blog精选AI 评分5757 Inworld AI 发布 Realtime TTS-2 实时对话语音模型
Inworld AI 发布新一代实时对话语音模型 Realtime TTS-2，已在 Inworld API 和 Inworld Realtime API 全面开放。
推荐理由：原文给出多轮音频上下文、自然语言语音指令和低于 200ms 的首音频延迟，可供判断实时语音对话能否接入自己的项目。
Inworld AI Blog精选AI 评分5656 Inworld AI 开源 TTS 开放评估工具包
Inworld AI 开源 TTS Open Evaluation Toolkit，这是一套可自定义的 TTS 评估框架，用于采样 TTS 系统、离线评估音频并生成可对比的报告。
推荐理由：原文解释了同一 TTS 模型在不同团队手上会得到不同 WER 的原因，并给出这套评估工具的运行方式与首批指标。
Inworld AI Blog精选AI 评分4747 用 Mastra 与 Inworld Realtime API 构建实时语音对话智能体
Inworld 推出 @mastra/voice-inworld-realtime，将 STT、LLM 与实时 TTS 合并为单个 WebSocket 会话，并绑定到 Mastra Agent。
推荐理由：原文对比级联语音管线与单 WebSocket 会话的差别，并给出不到 100 行 TypeScript 的参考 CLI，读者可据此判断接入成本。
Inworld AI Blog精选AI 评分4040 Inworld 下调语音与 LLM 栈价格，多数开发者降幅过半
Inworld 宣布对整条语音栈降价，多数开发者在文本转语音、语音识别、LLM 和算力各层降幅达一半以上，新价格已面向所有开发者生效。Realtime TTS-2 降至约 $10/1M 字符，语音识别降至约 $0.10/小时，Router 可接入 100+ 模型且第三方模型不加价。
推荐理由：Inworld 把语音栈各层价格下调并对 TTS、语音识别和 LLM 给出阶梯单价，可用来估算消费级应用的推理成本。
Inworld AI Blog精选AI 评分4949 Inworld 用 Realtime TTS-2 联手 Stream Vision Agents，搭出能看能听的实时语音智能体
Inworld 联手 Stream 搭出参考实现 Crashout Buddy，组合最新语音模型 Realtime TTS-2 与 Stream 开源的 Vision Agents 框架，可实时看表情、听语音并调整表达。
推荐理由：文中给出了把视觉信号与情绪上下文转成语音表达指令的做法，可据此判断这条实时语音链路能否接进自己的项目。