Realtime TTS-2
Inworld AI · États-Unis
- Poids fermés (selon Artificial Analysis)
- Français annoncé
En bref : 6e sur 31 en synthèse vocale en français, ex æquo avec 4 autres modèles dont les marges d'erreur se recouvrent ; 7e sur 96 en synthèse vocale en anglais (Artificial Analysis), dans un peloton de 5 modèles que la marge d'erreur ne permet pas de séparer.
Présentation
Modèle de synthèse vocale en temps réel d'Inworld conçu pour la conversation, qui tient compte des tours de parole précédents et se dirige par des instructions en langage naturel entre crochets. Il conserve la même voix d'une langue à l'autre, y compris au milieu d'une phrase. Lu sur docs.inworld.ai, inworld.ai, le 17/10/2026.
- Sortie
- 5 mai 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, 6e sur 31 en synthèse vocale en français (1 256).
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
6e sur 31Elo 1 256, intervalle 1 234 à 1 278, 1 122 votes
Prix : 21 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
- En anglais · Synthèse vocale
Synthèse vocale en anglais, Artificial Analysis
7e sur 96Elo 1 262, intervalle 1 247 à 1 277, 2 011 votes
Prix : 21 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
Modèles proches
- Synthèse vocale en français : devant, Eleven v3 (5e, 1 259) · derrière, Gradium TTS (Sep 2026) (7e, 1 239)
- Synthèse vocale en anglais, Artificial Analysis : devant, Qwen-Audio-3.0-TTS-Plus (6e, 1 265) · derrière, Gemini 3.8 Flash-Lite TTS (8e, 1 248)
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 - 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](https://inworld.ai/blog/realtime-tts-2) (`inworld-tts-2`), our most powerful and expressive TTS model: »), 17/10/2026
- https://inworld.ai/blog/realtime-tts-2 (« Realtime TTS-2 from Inworld AI is a new generation of voice model built for realtime conversation. It hears the full audio of the exchange, picks up the user's tone, pacing and emotional state »), 17/10/2026
- https://inworld.ai/blog/realtime-tts-2 (« One voice identity preserved across over 100 languages, including mid-utterance language switches inside a single generation. »), 17/10/2026
- https://docs.inworld.ai/tts/capabilities/multilingual.md (« The Realtime TTS-2 models accept **623 language and locale codes** (BCP-47) in the [`language`](#specifying-a-language) field, covering **470 languages** »), 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.