Inworld TTS 2 bei Novita AI: Sprachklonen und steuerbarer Vortragsstil per API
Novita AI hat Inworld TTS 2 als synchrone API zur Sprachgenerierung freigeschaltet. Entwickler können damit steuern, wie stark eine Stimme variiert, eine Stimme aus einer kurzen Aufnahme klonen und Zeitstempel auf Wort- oder Zeichenebene abrufen. Eine einzige POST-Anfrage liefert das Audio direkt als Base64 in der Antwort, abgerechnet wird pro Million Zeichen unter der SKU INWORLD_TTS_2.
- Inworld TTS 2 ist bei Novita AI als synchrone API mit der Modell-ID inworld-tts-2 verfügbar.
- deliveryMode bietet die Einstellungen STABLE, BALANCED (Standard) und CREATIVE, temperature wird ignoriert.
- Das Stimmklonen nutzt 10 bis 30 Sekunden Audio, der Klonaufruf selbst wird nicht berechnet.
- Die Ausgabe unterstützt acht Kodierungen sowie Zeitstempel auf Wort- oder Zeichenebene.
- Abgerechnet wird pro Million Zeichen unter der SKU INWORLD_TTS_2, chinesische Zeichen zählen doppelt, Anfragen sind auf 2.000 UTF-16-Codeeinheiten begrenzt.
Das bietet Inworld TTS 2 bei Novita AI
Inworld TTS 2 ist das Text-to-Speech-Modell von Inworld AI für ausdrucksstarke Sprache mit geringer Latenz. Bei Novita AI läuft es unter der Modell-ID inworld-tts-2. Laut dem Beitrag ordnet die Dokumentation von Inworld das Modell der Familie Realtime TTS-2 zu. Die API nutzt ein natives Inworld-Protokoll statt eines OpenAI-kompatiblen Wrappers, weshalb die Anfragen Felder wie voiceId, deliveryMode und audioConfig verwenden.
Synthese und Klonen sind getrennte synchrone Aufrufe, es gibt also keine Task-ID, die abgefragt werden müsste. Sprache wird über POST /v3/inworld-tts-2/tts/v1/voice erzeugt, das Klonen läuft über POST /v3/inworld-tts-2/voices/v1/voices:clone. Jede Anfrage ist auf 2.000 UTF-16-Codeeinheiten begrenzt, das dekodierte Audio darf bis zu 16 MB groß sein.
Vortragsmodi und Stimmklonen
Das wichtigste Steuerelement ist deliveryMode. Novita beschreibt drei Einstellungen:
- STABLE setzt auf einen über Sitzungen hinweg konsistenten Vortrag und eignet sich für lange Erzähltexte und Dokumentation.
- BALANCED gilt als Standard, wenn das Feld fehlt, und wird für Konversationsagenten empfohlen.
- CREATIVE erweitert die emotionale Bandbreite, sodass wiederholte Zeilen deutlich unterschiedlichere Takes ergeben.
Der Parameter temperature wird zwar akzeptiert, bei diesem Modell aber ignoriert. deliveryMode ist damit der vorgesehene Weg, Konsistenz gegen Ausdrucksstärke abzuwägen.
Für das Stimmklonen werden ein displayName und ein oder mehrere voiceSamples übergeben, jeweils mit Base64-kodiertem WAV- oder MP3-Audio. Novita empfiehlt 10 bis 30 Sekunden pro Sample und kürzt längere Aufnahmen. Die Antwort enthält eine voice.voiceId, die sich direkt in Syntheseanfragen verwenden lässt. Der Klonaufruf selbst wird nicht berechnet. Die Spracherkennung erfolgt automatisch, wenn languageCode fehlt oder auf auto steht. Mit der optionalen Einstellung removeBackgroundNoise lassen sich Störgeräusche entfernen, die Dokumentation warnt jedoch, dass dies bei bereits sauberem Audio die Qualität mindern kann.
Zwei Einschränkungen sind für den Produktivbetrieb relevant. Das Klonen ist strenger ratenbegrenzt als die Synthese, daher sollte ein Massen-Onboarding bei HTTP 429 mit Wartezeiten reagieren. Außerdem teilen sich alle Aufrufer mit demselben API-Schlüssel die geklonten Stimm-IDs, und das System speichert nicht, wer welche Stimme angelegt hat. Mandantenfähige Produkte brauchen deshalb eine eigene Zuordnungsschicht.
Ausgabeformate, Zeitstempel und Preise
Das Feld audioConfig.audioEncoding akzeptiert LINEAR16, MP3, OGG_OPUS, ALAW, MULAW, FLAC, PCM und WAV, Standard ist MP3. Die Abtastraten reichen von 8.000 bis 48.000 Hz, speakingRate lässt sich zwischen 0,5 und 1,5 einstellen, der Standardwert ist 1,0.
Für Video- und Avatar-Anwendungen liefert timestampType mit dem Wert WORD Start- und Endzeiten pro Wort, CHARACTER liefert die Ausrichtung auf Zeichenebene. Laut dem Beitrag sind das genau die Metadaten, die ein Untertitel-Renderer oder eine Lippensynchronisations-Pipeline benötigt, und zwar zusammen mit dem Audio statt über einen separaten Forced-Alignment-Schritt. Zeitstempel vergrößern jede Antwort und sollten daher nur bei Bedarf angefordert werden. Optionen wie applyTextNormalization und enhanceGeneration stehen ebenfalls bereit. Der Beitrag rät, sie an echten Skripten zu testen, weil die Normalisierung Aussprache und Zeichenzahl verändert.
Abgerechnet wird pro Million Zeichen des Felds text, wobei chinesische Zeichen doppelt zählen. Einen Dollarpreis nennt der Beitrag nicht und verweist für den aktuellen Preis auf die Modellseite.
Wo sich der Einsatz lohnt und wo nicht
Novita empfiehlt Inworld TTS 2 für Figurendialoge und Stimmen von Spiel-NPCs, Hörbücher und lange Erzähltexte, Video- und Avatar-Pipelines mit Bedarf an Zeitstempeln sowie für Produkte, die bereits eine kurze Aufnahme haben und ohne separaten Registrierungsdienst klonen wollen.
Der Beitrag nennt auch klare Ausschlussfälle. Der Endpunkt streamt nicht und ist daher ungeeignet, wenn das erste Audio per Streaming Teil des Latenzbudgets ist. Wegen der Grenze von 2.000 UTF-16-Codeeinheiten müssen Skripte in Kapitellänge vom Entwickler aufgeteilt und wieder zusammengefügt werden. Vorsicht ist außerdem geboten bei Teams, die eine strikte Mandantentrennung für geklonte Stimmen benötigen, oder bei sehr kurzen oder studiosauberen Samples.
Für Entwickler heißt das praktisch: Ein einziger synchroner Aufruf kann Erzählung, Figurenstimmen und untertitelfertige Ausgabe abdecken, sofern die Grenzen bei Länge, Streaming und Stimmfreigabe zum Produkt passen.
