Inworld, la empresa estadounidense de voz con inteligencia artificial, ha añadido a su modelo Realtime TTS-2 una función de razonamiento: antes de leer una frase, el modelo decide cómo decirla. La compañía lo presenta en su blog como el primer modelo de voz que lo hace, una etiqueta que de momento es solo suya.
Es la última vuelta de tuerca a una familia de modelos que Inworld presentó en mayo, tras TTS-1.5 en enero. La novedad llega acompañada de otras en su boletín de octubre para desarrolladores: generación de vídeo con seis modelos, nuevos modelos de lenguaje como MiMo 2.6 de Xiaomi y mejoras en el reconocimiento de voz.
Cómo funciona el razonamiento en TTS-2
Hasta ahora, para que una voz sintética sonara alegre, tensa o cansada, el desarrollador tenía que etiquetar a mano cada frase. Con la nueva función, el modelo lee el texto y, si se le facilita, un contexto sobre la escena o el personaje. Después escribe una breve indicación de interpretación, del tipo «cálido, encantado, hablando con una sonrisa», y la ejecuta.
Ese contexto nunca se pronuncia, y la indicación que genera el modelo aparece en la respuesta de la API, así que el desarrollador puede revisarla. Si da instrucciones explícitas, estas tienen prioridad sobre lo que decide el modelo. La función es opcional y, según Inworld, no cambia el precio.
Por ahora funciona en peticiones HTTP, en streaming y en modo asíncrono. Las conexiones por WebSocket, las conversaciones bidireccionales, incluida su Realtime API, y la síntesis por lotes llegarán más adelante.
La actualización también acelera la generación de audio, un 13 % en frases cortas y un 9 % en las de longitud media respecto a la versión anterior, y mejora la estabilidad de las voces clonadas y en sesiones largas. Inworld cita además una prueba de la empresa Cekura que sitúa su modelo más rápido, Realtime TTS-2 Flash, en una mediana de 46 milisegundos hasta el primer audio, aunque advierte de que la latencia que percibe el usuario es mayor.
Más modelos de otras empresas y vídeo
Inworld también funciona como pasarela para usar modelos de otras compañías a través de su API. Este mes ha añadido MiMo 2.6 Pro y MiMo 2.6 Flash, de Xiaomi, que aceptan texto, imágenes y audio; GPT 6.1 Terra, de OpenAI, con una ventana de contexto de 1,05 millones de tokens; y Kimi K3.1 Pro, con un millón.
Según la compañía, en una prueba que hizo un cliente con su propia carga de trabajo, MiMo 2.6 Pro respondió unas 5,6 veces más rápido en Inworld que en otro proveedor, que no identifica.
Además, ya permite generar vídeo con seis modelos: Wan 3.0, MiniMax H3, H3 Fast, H3 Turbo, Grok Imagine Video 1.5 Lite y HeyGen Video 1. Estrena espacios de prueba para crear imágenes y vídeos, con modelos como Nano Banana 2.1, y acepta PDF y documentos de Word, PowerPoint y Excel dentro de las peticiones.
También amplía sus modelos de decisión, pensados para clasificar una petición, elegir qué flujo de trabajo sigue o comprobar si cumple una política.
Mejoras en la voz
- Los desarrolladores pueden indicar qué idiomas espera su aplicación, para que el sistema identifique mejor frases cortas que existen en varios idiomas.
- En las conexiones por WebSocket, la voz se puede cortar en cuanto el usuario interrumpe, algo clave para que los agentes de voz en tiempo real resulten naturales.
- El reconocimiento de voz, que pasa de voz a texto, ya está disponible en servidores de Europa y Hong Kong.
- Las voces personalizadas se pueden copiar entre espacios de trabajo a través de la API, sin tener que recrearlas.
Para qué la usan sus clientes
Inworld acompaña el anuncio con casos de clientes, con cifras que publica la propia empresa. Wishroll, creadora de Status, un juego social con IA que se describe como «los Sims de las redes sociales», ha superado, según Inworld, los 500.000 usuarios activos diarios y ha reducido sus costes de IA en torno a un 95 %.
Latitude usa sus voces para los narradores y personajes de Voyage, su juego de rol con IA, a cerca de una cuarta parte del coste de su proveedor anterior. Y LiveKit integra estas voces en su marco para crear agentes, con menos de 200 milisegundos hasta el primer fragmento de audio, según Inworld.
Por qué importa
El razonamiento de Inworld lleva a la voz algo que los modelos de texto ya hacen: pensar antes de responder. Si funciona como promete, ahorra a estudios de videojuegos y creadores de agentes el trabajo de marcar a mano cada emoción, en un sector en el que las voces con IA ya llegan a productos masivos, como los comentarios de NHL 27.
Queda por ver cómo se comporta fuera de las demostraciones de la propia empresa y si el resto de proveedores de voz sigue el mismo camino.
La imagen de representación de este artículo pertenece a Inworld y ha sido facilitada junto a su boletín de novedades de octubre.