Inworld généralise Realtime TTS-2, un modèle vocal capable de suivre le contexte sonore d’une conversation, de recevoir des indications de jeu et de parler dans plus de 200 langues.

La phrase ne change pas, mais son interprétation dépend de ce qui vient de se passer. Après une plaisanterie, la voix répond avec plus de légèreté. Face à une personne hésitante ou contrariée, elle ralentit et baisse son énergie. Realtime TTS-2 veut faire de la synthèse vocale un participant attentif à la conversation plutôt qu’un simple lecteur de texte.

Inworld annonce la disponibilité générale de son nouveau modèle après plusieurs mois d’aperçu de recherche. Il est accessible depuis l’API de synthèse vocale de l’entreprise et son interface Realtime, conçue pour réunir transcription, modèle de langage et restitution audio dans une même session.

Le lancement comprend deux versions. Realtime TTS-2 constitue le modèle principal, orienté vers l’expressivité et le contrôle de l’interprétation. Realtime TTS-2 Flash privilégie la vitesse et le coût pour les applications où quelques dizaines de millisecondes peuvent modifier la fluidité de l’échange.

La différence avec une synthèse vocale traditionnelle ne porte pas seulement sur la qualité sonore. Un service classique reçoit une phrase et produit son équivalent audio sans nécessairement connaître ce que l’utilisateur a dit auparavant, ni la manière dont il l’a formulé. Realtime TTS-2 peut prendre en compte le son des échanges précédents lorsque la conversation passe par l’API Realtime.

Le système ne se contente alors pas de lire la transcription. Il reçoit des informations tirées de la voix de l’utilisateur, comme le rythme, l’intonation et l’état émotionnel supposé. Ces éléments influencent la manière dont la réponse suivante est prononcée.

Cette continuité repose sur une connexion persistante. Chaque intervention sonore rejoint le contexte de la session, puis la réponse produite par le modèle de langage est transmise à TTS-2. La partie vocale décide ensuite comment interpréter cette réponse en tenant compte des échanges précédents et des consignes du développeur.

Il reste important de séparer les différentes étapes. Realtime TTS-2 ne choisit pas nécessairement les mots de la réponse : cette tâche revient au modèle de langage associé. Il intervient principalement sur leur restitution vocale. Le délai complet dépend donc aussi de la transcription, du raisonnement, des appels d’outils, du réseau et de la lecture du son sur l’appareil.

L’une des nouveautés principales concerne la direction de la voix en langage naturel. Une indication placée entre crochets peut demander de parler chaleureusement, de murmurer, de retenir sa colère ou de sembler épuisé après une longue journée. La même voix et le même texte peuvent ainsi produire plusieurs interprétations.

Cette méthode dépasse une liste fermée d’émotions. Le développeur peut préciser une intention, un contexte ou une évolution dans la phrase. Inworld recommande des descriptions détaillées plutôt que des instructions très courtes : « parle tristement, comme si une mauvaise nouvelle venait d’arriver » fournit davantage de contexte qu’un simple mot comme « triste ».

Les indications peuvent également être insérées pendant une réplique. Le modèle prend en charge des événements non verbaux comme un rire, un soupir, une respiration, un raclement de gorge, une toux ou un bâillement. Ils sont produits comme des sons et non prononcés comme du texte.

TTS-2 peut aussi introduire certaines hésitations, reprises et phrases laissées en suspens. Ces irrégularités cherchent à rapprocher la restitution du rythme d’une conversation spontanée. Elles ne sont pas souhaitables dans tous les cas : une assistance téléphonique, un livre audio ou une annonce réglementaire peuvent exiger une diction plus stable.

Inworld propose donc trois niveaux de comportement. Expressive laisse davantage de variation et vise les personnages, les compagnons virtuels ou les conversations grand public. Balanced sert de réglage général. Stable réduit les changements de hauteur et d’interprétation pour les standards téléphoniques, les longs contenus et les usages professionnels nécessitant une continuité plus stricte.

Cette capacité à suivre le contexte peut intéresser les services d’assistance, l’apprentissage des langues, les jeux, le tutorat ou les applications de bien-être. Un professeur virtuel peut conserver une voix identifiable tout en ajustant son énergie. Un personnage de jeu peut prononcer une réplique différemment selon la tension de l’échange. Un agent de support peut tenter d’adopter un ton plus posé face à une personne irritée.

L’adaptation ne doit pas être confondue avec une compréhension certaine de l’état d’une personne. Une voix basse peut traduire la fatigue, la tristesse, une caractéristique personnelle ou simplement un microphone mal réglé. Le débit et l’intonation varient aussi selon les langues, les cultures, les accents et certaines situations de handicap.

Une interprétation erronée risque de produire une réponse déplacée. Une voix artificiellement compatissante peut devenir agaçante si le système a mal compris la situation. Dans les domaines médicaux, administratifs ou financiers, les signaux vocaux devraient donc compléter le contexte explicite plutôt que servir seuls à tirer des conclusions sur l’utilisateur.

Le volet multilingue permet de conserver une même identité vocale lorsqu’une phrase change de langue. Aucun indicateur séparé n’est nécessaire dans les exemples présentés : le modèle détecte la transition et cherche à maintenir le timbre, la hauteur et le caractère de la voix.

Les pages officielles ne donnent toutefois pas toutes le même périmètre. La présentation consacrée à Realtime TTS-2 évoque une identité conservée dans plus de 100 langues. La page générale du service vocal et la grille tarifaire en annoncent plus de 200.

Inworld précise que toutes ces langues ne bénéficient pas du même niveau de maturité. Les plus importantes seraient proposées avec une qualité proche de celle d’un locuteur natif, tandis qu’une partie des langues ajoutées à la sortie reste expérimentale. La présence d’une langue dans la liste ne