Realtime TTS-2 Flash
Inworld AI · États-Unis
- Poids fermés (selon Artificial Analysis)
- Français annoncé
En bref : 14e sur 31 en synthèse vocale en français, dans un groupe de 5 modèles trop proches pour être départagés ; 12e sur 96 en synthèse vocale en anglais (Artificial Analysis), dans un peloton de 6 modèles que la marge d'erreur ne permet pas de séparer.
Présentation
Variante rapide et économique de Realtime TTS-2 d'Inworld, avec un premier octet audio en 20 ms (P90 côté serveur), cinq fois moins que TTS-2. Elle couvre les mêmes langues et le clonage instantané, mais sans les instructions de direction ni le clonage professionnel. Lu sur docs.inworld.ai, le 17/10/2026.
- Sortie
- 9 août 2026 lu sur la page de l'éditeur
Langues
- Annoncées par l'éditeur : 470 langues (623 codes de langue et de région), dont le français. Lu sur docs.inworld.ai.
- Évaluées par nos sources : français et anglais.
- Le français : annoncé par l'éditeur ; évalué, 14e sur 31 en synthèse vocale en français (1 155).
Ses 2 classements
Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.
- En français · Synthèse vocale
Synthèse vocale en français
14e sur 31Elo 1 155, intervalle 1 134 à 1 176, 1 078 votes
Prix : 10 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
- En anglais · Synthèse vocale
Synthèse vocale en anglais, Artificial Analysis
12e sur 96Elo 1 219, intervalle 1 206 à 1 232, 2 459 votes
Prix : 10 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
Modèles proches
- Synthèse vocale en français : devant, Eleven Multilingual v2 (13e, 1 162) · derrière, Simba 3.0 (15e, 1 150)
- Synthèse vocale en anglais, Artificial Analysis : devant, Breeze TTS 2 (11e, 1 222) · derrière, Luna TTS (13e, 1 217)
Comment lire ces chiffres
Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.
D'où vient cette fiche
- Nom dans les sources
- Artificial Analysis :
Realtime TTS-2 Flash - Fiche
- Nom et éditeur tels que la source les écrit ; présentation et langues lues sur les pages de l'éditeur.
- Pages lues
- https://docs.inworld.ai/release-notes/tts.md (« Launched Realtime TTS-2 Flash (`inworld-tts-2-flash`), the fastest member of the TTS-2 family »), 17/10/2026
- https://docs.inworld.ai/release-notes/tts.md (« Steering](https://docs.inworld.ai/tts/capabilities/steering.md) instructions and [Professional Voice Cloning](https://docs.inworld.ai/tts/professional-voice-cloning.md) are supported on `inworld-tts-2` only »), 17/10/2026
- https://docs.inworld.ai/tts/tts-models.md (« Our lowest latency - 20 ms TTFB »), 17/10/2026
- https://docs.inworld.ai/release-notes/tts.md (« 20 ms time to first audio (server-side P90 TTFB, excluding network latency) - 5× faster than `inworld-tts-2` at 100 ms »), 17/10/2026
- https://docs.inworld.ai/tts/capabilities/multilingual.md (« The Realtime TTS-2 models - `inworld-tts-2` and `inworld-tts-2-flash` - share the same language support. »), 17/10/2026
- https://docs.inworld.ai/tts/capabilities/multilingual.md (« | French | `fr` | `fr-FR` | »), 17/10/2026
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.