Inworld AI ha lanzado Realtime TTS-2, su nuevo modelo de voz sintética en tiempo real que arrasa en el Speech Arena de LMSYS con una puntuación estilo —una métrica que valora la naturalidad y expresividad— de 1106, superando a ElevenLabs, OpenAI TTS, Cartesia Sonic, Google Chirp 3 y PlayAI HD. Es, en estos momentos, el modelo de voz más natural del mercado según evaluación humana ciega.
¿Qué es Realtime TTS-2?
Realtime TTS-2 es un modelo de texto-a-voz en tiempo real optimizado para latencia ultrabaja, ideal para aplicaciones interactivas como asistentes de voz, juegos, chatbots con voz, y experiencias inmersivas. Su principal innovación está en la arquitectura que equilibra tres ejes: velocidad, naturalidad y control expresivo.
Rendimiento en benchmarks
En el Speech Arena de LMSYS, Realtime TTS-2 se posiciona en el podio con una puntuación style de 1106, significativamente por encima de competidores consolidados:
- Inworld Realtime TTS-2 — 1106 🥇
- ElevenLabs Turbo v2.5 — por detrás
- OpenAI TTS (gpt-4o-mini-tts) — por detrás
- Cartesia Sonic — por detrás
- Google Chirp 3 — por detrás
- PlayAI HD — por detrás
La métrica style mide la naturalidad, expresividad y calidad perceptual de la voz —no solo precisión—, lo que hace de esta victoria un hito significativo en la carrera por la voz sintética más humana.
Características clave
- Latencia en tiempo real: optimizado para streaming de audio con mínima demora, permitiendo conversaciones fluidas sin pausas artificiales.
- Control expresivo: tono, ritmo y emoción modulables, lo que permite desde un tono neutral hasta actuaciones dramáticas completas.
- Voces diversas: múltiples perfiles de voz con distintas características acústicas y estilos.
- API disponible: accesible desde ya para desarrolladores e integraciones.
Impacto en el sector
La carrera por la voz sintética perfecta se intensifica. Inworld AI, conocida principalmente por sus NPCs con IA en videojuegos, demuestra que su tecnología de voz es de clase mundial. Esto abre la puerta a:
- Videojuegos: personajes no jugadores (NPCs) con voz natural y contextual.
- Atención al cliente: agentes telefónicos indistinguibles de humanos.
- Asistentes personales: experiencia auditiva más natural y agradable.
- Contenido audiovisual: narraciones y locuciones sin estudio de grabación.
Limitaciones y consideraciones
Aunque Realtime TTS-2 lidera el Speech Arena, hay aspectos a considerar:
- Es un modelo propietario —no open-source—, lo que limita su adopción en investigación.
- El ecosistema de Inworld está enfocado en gaming, por lo que la integración puede requerir adaptaciones para otros casos de uso.
- La latencia, aunque baja, puede no ser suficiente para aplicaciones que requieren respuesta sub-100ms.
Con Realtime TTS-2, Inworld AI pone el listón muy alto. La pregunta ya no es «¿puede una máquina sonar humana?», sino «¿cuánto tardarán los competidores en alcanzar este nivel?»
Artículo basado en el anuncio oficial de Inworld AI (mayo 2026) y datos del Speech Arena de LMSYS / Artificial Analysis.