Inworld TTS 2

Überblick

Inworld TTS 2 ist das Text-to-Speech-Modell Realtime TTS-2 von Inworld. Es erschien am 31.08.2026 und stand noch am selben Tag auf Morphic bereit. Es liest Ihr Skript in einer von 95 fertigen Stimmen, und diese Stimme trägt über mehr als 100 Sprachen.

Für den deutschsprachigen Markt entscheidet genau dieser zweite Satz. Kaum ein Video bleibt hier bei einer Sprache. Ein Imagefilm läuft auf Deutsch und Englisch. Die Unterweisung kommt auf Polnisch, Rumänisch und Spanisch dazu. So sind die Standorte verteilt, so ist die Belegschaft. Bisher hieß das: drei Sprecher, drei Termine, drei Rechnungen, und am Ende drei verschiedene Marken im Ohr.

Was Inworld TTS 2 auszeichnet

Eine Stimme ist hier nicht an eine Sprache gebunden. Jede Stimme aus dem Katalog spricht jede unterstützte Sprache. Die Identität hält sogar dann, wenn die Sprache innerhalb einer Generierung wechselt. Ein zweisprachiges Skript klingt danach nach einer Person. Es klingt nicht nach zwei Aufnahmen, die jemand aneinandergesetzt hat.

Praktisch heißt das: Sie besetzen Ihre Markenstimme einmal und behalten sie über alle Sprachfassungen. Die Wiedererkennung überlebt die Lokalisierung, und der Abstimmungsaufwand fällt auf eine Runde zusammen.

Der zweite Punkt ist die Latenz. Bis zum ersten Ton vergehen im Median weniger als 200 Millisekunden. Text-to-Speech wird damit vom Renderjob zur Interaktion. Eine Figur antwortet, während die Spielerin noch zuhört, und ein Agent im Kundendialog spricht, bevor die Pause auffällt.

Inworld TTS 2 auf Morphic

Auf Morphic steht Inworld TTS 2 in der Modellauswahl für Speech, neben ElevenLabs und Gemini 3.1 Flash TTS. Stellen Sie die Prompt-Leiste auf Audio, wählen Sie Speech, dann Inworld TTS 2 und eine Stimme. Skript einfügen, generieren. Pro Durchgang sind 2.000 Zeichen möglich, zurück kommt MP3 mit 48 kHz, direkt auf Ihrem Canvas.

Ein Hinweis für Skripte aus dem Arbeitsalltag: Prüfen Sie vor dem Einfügen, welche personenbezogenen Stellen wirklich in die Sprachfassung müssen. Namen und Nummern lassen sich vorher durch Platzhalter ersetzen, ohne dass der Text an Klarheit verliert.

Zwei Stufen stehen bereit. Inworld TTS 2 ist die Voreinstellung. Inworld TTS 2 Flash arbeitet aus demselben Katalog mit 95 Stimmen, nur schneller und günstiger. Das passt für große Mengen und für Entwürfe. Ein Wechsel zwischen den Stufen bedeutet keine neue Besetzung.