Inworld AI a lancé Realtime TTS-2 aujourd'hui avec le choix architectural que la compagnie appelle « closed-loop » : au lieu de traiter chaque appel TTS comme une génération text-to-audio indépendante, le modèle prend l'audio user antérieur réel en input à côté du texte à dire, et adapte la prosodie de la voix de sortie, le pacing et le contexte émotionnel pour matcher ce qu'il entend. La génération précédente TTS 1.5 rank #1 sur Artificial Analysis Speech Arena en mai 2026, au-dessus de Google et ElevenLabs — le signal de crédibilité qui mérite d'être flaggé parce que le framing d'Inworld ici, c'est que « la qualité audio brute est un problème résolu » et le prochain frontier est la responsivité conversationnelle. Time-to-first-audio médian sub-200ms sur WebSocket, 100+ langues avec identité vocale préservée à travers les switches de langue mid-utterance, et trois modes de stabilité (Expressive, Balanced, Stable) complètent la fiche technique. Research preview API-only ; pas de poids ouverts.
Le mécanisme closed-loop compte plus que la latence ou le nombre de langues. Les architectures TTS conventionnelles traitent chaque génération indépendamment — texte in, audio out, pas d'awareness de comment l'user sonne réellement dans cette conversation. Les builders qui font tourner des agents vocaux doivent boulonner du prosody-matching par-dessus avec des pipelines d'analyse séparés ou vivre avec un TTS qui sonne tonally mismatched à l'user. L'approche d'Inworld plie l'adaptation user-audio-aware dans le modèle lui-même : il perçoit si l'user chuchote, est excité, slow-paced, frustré, et ajuste l'output pour matcher dans la même conversation. Les détails architecturaux ne sont pas divulgués (AR ? flow-matching ? hybride ?), mais la forme de l'input est la partie qui compte — accepter l'audio user brut comme conditioning est un choix de design non-trivial qui pousse le modèle vers du state-tracking conversationnel plutôt que du text-to-speech turn-by-turn. Le voice cloning marche standard : des clips de référence de 5-15 secondes génèrent des voice IDs réutilisables via une API en deux étapes. Le claim crosslingual — identité vocale préservée quand la même persona switch mid-utterance de l'anglais à l'espagnol — est le genre de capability qui a été dur à shipper de façon fiable et qui devient de plus en plus important à mesure que les voice agents ciblent des bases customer multilingues.
La lecture ecosystem se paire naturellement avec la release Voxtral de Mistral plus tôt aujourd'hui. Voxtral est open-weights (CC BY-NC 4.0), hybride AR + flow-matching, déployable sur l'infra du builder, latence classe-600ms. Inworld TTS-2 est API-only, adaptation conversationnelle closed-loop, latence sub-200ms, pas de poids à télécharger. Différents builders vont picker des côtés différents de ce tradeoff : Voxtral pour du voice work self-hosted où tu contrôles la stack, Inworld pour des voice agents en production où la feature d'adaptation conversationnelle fait le value-add work. Les deux architectures pointent vers le même frontier en évolution — les voice agents passent au-delà de « le TTS dit les mots » vers « le TTS participe à la conversation ». Le tandem S2S de Sakana KAME avec l'architecture oracle-stream est un troisième point sur la même courbe. La catégorie qui n'existait pas il y a 18 mois est maintenant peuplée de manière significative avec des compétiteurs architecturalement distincts. Le flagship Multilingual v2 d'ElevenLabs est le benchmark closed-frontier contre lequel tous ces ladder up.
Move pratique : si tu shippes des features voice et que la qualité de conversation est la plainte user (plutôt que la qualité audio brute), Inworld TTS-2 mérite un eval side-by-side sur les cas de contexte conversationnel sur lesquels les providers TTS actuels struggle — arcs émotionnels, handling de répétition, follow-up où l'agent devrait mirror l'énergie de l'user. Le TTFA sub-200ms donne un vrai budget de latence pour des cas d'usage interactifs. Si le workload de voice agent est one-shot ou short-form (notifications, IVR, scripts fixes), l'avantage closed-loop ne paie pas — du TTS turn-based sans state conversationnel est fine. La contrainte API-only est la friction du deal : les builders qui tournent on-prem ou dans des environnements air-gapped n'ont pas de chemin vers TTS-2, là où les poids ouverts de Voxtral restent la réponse pour ce use case. Le choix Inworld vs Voxtral est genuinement architecture-driven, pas juste licensing — pick basé sur ce que le voice agent doit faire réellement.