Inworld TTS 1 Max est le nouveau leader du classement de l'Arène de la Parole d'Analyse Artificielle, surpassant la série Speech-02 de MiniMax et la série TTS-1 d'OpenAI. L'Arène de la Parole d'Analyse Artificielle classe les principaux modèles de Text to Speech en fonction des préférences humaines. Dans l'arène, les utilisateurs comparent deux morceaux de discours généré côte à côte et sélectionnent leur sortie préférée sans savoir quels modèles les ont créés. L'arène de la parole comprend des invites dans quatre catégories réelles : Service Client, Partage de Connaissances, Assistants Numériques et Divertissement. Inworld TTS 1 Max et Inworld TTS 1 prennent en charge 12 langues, y compris l'anglais, l'espagnol, le français, le coréen et le chinois, ainsi que le clonage vocal à partir de 2 à 15 secondes d'audio. Inworld TTS 1 traite en moyenne ~153 caractères par seconde de temps de génération, tandis que le modèle plus grand, Inworld TTS 1 Max, traite en moyenne ~69 caractères. Les deux modèles prennent également en charge les étiquettes vocales, permettant aux utilisateurs d'ajouter de l'émotion, un style de livraison et des sons non verbaux, tels que "chuchotement", "toux" et "surpris". Les modèles TTS-1 et TTS-1-Max sont tous deux basés sur des transformateurs, des modèles autoregressifs utilisant respectivement LLaMA-3.2-1B et LLaMA-3.1-8B comme leurs structures SpeechLM. Découvrez les modèles leaders de l'Arène de la Parole et écoutez des extraits ci-dessous 🎧

Exemple de prompt sur Inworld TTS 1 Max : « Votre microbiome intestinal contient des trillions de bactéries qui influencent la digestion, l'immunité et même la santé mentale à travers l'axe intestin-cerveau. »

Inworld TTS 1 traite en moyenne ~153 caractères par seconde de temps de génération, avec Inworld TTS 1 Max traitant en moyenne ~69 caractères.