Realtime TTS-2

### Inworld Realtime TTS-2 — 会話のための、サブ200ms音声合成エンジン Realtime TTS-2は、Inworld AIが提供する会話特化型のリアルタイム音声合成モデル。サブ200msの低遅延と人間に近い表現力を両立し、ナレーション再生ではなく「双方向の音声インタラクション」を前提に設計されている。自由記述による声の方向付け（voice direction）でトーン・感情・話し方を指示でき、会話の文脈を踏まえた発話制御も可能。音声エージェント、ゲームNPC、ボイスボット、コールセンター自動応答など、レイテンシと表現力の両方が事業価値を左右する開発チームに向く。 ### 主要機能 - **サブ200msの低遅延応答**: 一般的なクラウドTTSの500〜1,000ms帯と比べ、人間同士の会話に近いテンポでターン交代でき、ボイスエージェントの「不自然な沈黙」を解消。 - **Voice direction（自由記述プロンプト）**: 「落ち着いた30代男性、語尾は柔らかく」など自然文で声色・感情を指定でき、従来のSSMLタグ調整に費やしていた数十分の作業を1プロンプトで完結。 - **Audio-aware delivery**: 直前の対話の感情・トーンを継承して発話するため、シナリオごとに音声パラメータを切り替える運用工数を削減。 - **REST API + マルチプロバイダ提供**: `api.inworld.ai/tts/v1/voice` で直接呼び出せるほか、DeepInfra・Runwareなどサードパーティ推論基盤経由でも利用でき、インフラ要件に応じた選択が可能。 ### 編集部の検証メモ 公開されている料金体系（On-Demand / Creator / Developer / Growth / Enterprise の5階層）と機能仕様を、ElevenLabs・OpenAI Realtime・MiniMax Speech 2.6 HD等と比較検討した。差別化点は明確で、純粋な音声品質よりも「会話レイテンシ + voice direction の柔軟性」に振り切った設計が際立つ。仮にコールセンターのIVR一次応答を月10,000コール置き換えるケースで試算すると、1コールあたり平均15秒の待機短縮で月約42時間の応答時間削減に相当し、オペレーター人件費換算で月10〜15万円規模のコスト圧縮余地が見込める。一方、静的ナレーションやオーディオブック用途では同価格帯の高品質TTSの方がROIで上回るケースが多い。 ### 想定ユーザー 音声エージェント・対話型プロダクト・ゲームNPC・ライブ配信向けボイスボットを開発するエンジニアおよびプロダクトチームに向く。一方、ナレーション動画制作や静的コンテンツのTTS化が主用途のチーム、日本語ネイティブ品質を最優先する用途では、公式サイトでの個別確認が前提となるため別TTSとの並行評価を推奨する。

Realtime TTS-2は有料で利用できます。

Realtime TTS-2の代替としてElevenLabs、Rimo Voice、VOICEVOX、Nottaなどがあります。

サブ200msの低遅延でリアルタイム音声対話に対応。自由記述プロンプトで声色・感情・話し方を指示できるvoice direction機能。REST APIで利用可能、DeepInfra/Runware等のサードパーティ推論基盤からも呼び出せる。対話の文脈・トーンを引き継ぐaudio-aware delivery。

静的ナレーション用途では他の高品質TTSと比較して過剰スペックになりうる。日本語の品質・対応状況は公式サイトでの個別確認が必要。