3 сентября 2026 г.
Первое место по синтезу речи стоит $20,83 за миллион знаков: Inworld обошла Cartesia
Realtime TTS-2 от Inworld взяла первое место в слепом сравнении голосов: $20,83 за миллион знаков против $49 у Cartesia Sonic 3.6.
Artificial Analysis
@artificialanlys
Свежий Realtime TTS-2 от Inworld — новый №1 в нашей Controlled Voice Arena, чуть впереди Cartesia Sonic 3.6, и №2 в нашей Provider Voice Arena, позади Sonic 3.6. Realtime TTS-2 — новая модель синтеза речи от @inworld_ai, она поддерживает больше 100 языков, включая английский, хинди, испанский, французский, немецкий, китайский и японский. Язык можно задать явно или определить по тексту, в том числе несколько языков в одном запросе (например, «I'll grab a coffee. ¿Quieres uno? お疲れさま。»). Ещё она понимает инструкции по подаче, написанные обычным текстом рядом с вводом (например, [speak tired but warm, like she just got home from a long day]). Главное: ➤ Controlled Voice: Realtime TTS-2 занимает №1 в Controlled Voice Arena с Эло 1123 (+16/−16) на 1292 появлениях, на 4 балла впереди Cartesia Sonic 3.6 с 1119. Дальше идут Sonic 3.5 с 1096, затем собственная Realtime TTS-2 Flash — Research Preview от Inworld с 1075 и ElevenLabs Eleven v3 с 1062 ➤ Provider Voice: Realtime TTS-2 занимает №2 в Provider Voice Arena с Эло 1252 (+18/−18) на 1094 появлениях, впереди Alibaba Qwen-Audio-3.0-TTS-Plus с 1241 и Speechify Simba 3.2 с 1240, но позади Sonic 3.6 с 1282 ➤ Скорость: модель обрабатывает 106 знаков в секунду генерации против 124 у Sonic 3.6, 97 у Simba 3.2 и 40 у Eleven v3 ➤ Цена: Realtime TTS-2 стоит $20,83 за 1 млн знаков — дешевле, чем Sonic 3.6 ($49), Eleven v3 ($100) и Qwen-Audio-3.0-TTS-Plus ($27,59), но дороже Simba 3.2 ($10) Больше подробностей и сэмплы для прослушивания — в треде ниже ⬇️
· 1,7 тыс. просмотров
Голос, который слушатели ставят выше всех, стоит $20,83 за миллион знаков.
Первое место в озвучке перестало быть самым дорогим: Inworld обошла Cartesia Sonic 3.6 и берёт за ту же работу в 2,4 раза меньше её $49.
Как считали. Artificial Analysis сравнивает голоса вслепую: человек слушает пару фрагментов и выбирает, где звучит лучше. Realtime TTS-2 набрала 1123 балла Эло за 1292 сравнения, Sonic 3.6 остановилась на 1119, ElevenLabs Eleven v3 на 1062.
**Цена за миллион знаков.**
- Speechify Simba 3.2: $10 - Inworld Realtime TTS-2: $20,83 - Qwen-Audio-3.0-TTS-Plus: $27,59 - Cartesia Sonic 3.6: $49 - ElevenLabs Eleven v3: $100
По скорости Inworld выдаёт 106 знаков в секунду генерации против 124 у Sonic 3.6, а Eleven v3 отстаёт от неё в 2,6 раза.
Языков больше ста, среди них хинди, испанский и японский. Язык задаётся явно или определяется по тексту, в том числе когда в одном запросе смешаны несколько: «I'll grab a coffee. ¿Quieres uno? お疲れさま。»
Интонацию Inworld просят прямо в тексте квадратной пометкой вроде [speak tired but warm, like she just got home from a long day], и модель отыгрывает усталую тёплую подачу.
На провайдерской арене, где сравнивают дефолтные голоса сервисов, Sonic 3.6 держит первое место с 1282 баллами.
Первоисточник