Inworld TTS 2

Inworld TTS 2 概览

第一声出来，不到 200 毫秒。文字转语音因此换了一种用法：声音可以直接放进一场还在进行的对话，而不是交上去、等一轮渲染再拿回来。

Inworld TTS 2 是 Inworld 的 Realtime TTS-2 文字转语音模型，2026 年 8 月 31 日发布，同一天上线 Morphic。目录里有 95 个现成音色，挑一个来读您的稿子。这个音色跨 100 多种语言都不变。

Inworld TTS 2 与其他语音模型的差别

一是延迟。首个音频的中位延迟低于 200 毫秒。互动角色要在玩家还在听的时候把话接上，只有在这条线以内才做得到。

二是音色不绑定语言。目录里任何一个音色都能说任何一种受支持的语言。一次生成中途换语言，人也不换。中英夹杂的稿子读完，听起来是一个人在讲，而不是两条录音拼在一起。

做内容出海的团队最看重这一点。一条口播稿要发中文版、英文版，再加东南亚几种语言，过去每种语言都得单独找一位配音。现在音色定一次，后面都用它。品牌的声音不会跟着翻译走样，观众换个语区听到的还是同一个人。

在 Morphic 上使用 Inworld TTS 2

在 Morphic 上，Inworld TTS 2 就排在 Speech 的音频模型里，旁边是 ElevenLabs 和 Gemini 3.1 Flash TTS。把提示框切到 Audio，选 Speech，模型选 Inworld TTS 2，挑音色，贴稿子，生成。单次脚本上限 2,000 字符，出来的是 48 kHz MP3，直接落在 Canvas 上。

两档可选。默认是 Inworld TTS 2，读得最完整。走量和打草稿用 Inworld TTS 2 Flash，速度更快，成本更低，音色目录还是那 95 个。两档之间来回切换，不用重新挑音色。