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。
#Inworld
Inworld AIAI 评分2727
Inworld AIAI 评分3030 Muse Spark 1.3 上线 Inworld Realtime Router
Inworld AI 宣布 Meta 的推理与编码模型 Muse Spark 1.3 已在 Inworld Realtime Router 上线，采用闭源权重，支持 1M token 上下文，定价为每 1M token 输入 1.25 美元、输出 4.25 美元。据其披露，在 Meta 内部编码测试中，该版本比 Spark 1.2 少用约 25% 的 token。
Inworld AIAI 评分2929 GPT-6.1 Sol 上线 Inworld Realtime Router
GPT-6.1 Sol 现已在 Inworld Realtime Router 上线。 - OpenAI 升级后的 Sol 档位 - 据 OpenAI 称，智能接近 Astra，价格只有五分之一 - 1M token 上下文，128K 输出 - 每 1M tokens 输入 $2.00 / 输出 $10.00。 按供应商费率，无加价。替换模型字符串即可直接使用！
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
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。
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。