A Inworld AI começou como motor de personagens para jogos e hoje é uma plataforma de voz e inferência em tempo real voltada a aplicações de consumo. A proposta central é a latência: a empresa afirma tempos até o primeiro áudio de dezenas de milissegundos no modelo de voz Flash e menos de um segundo até o primeiro token nos LLMs hospedados, algo decisivo em apps de companhia, idiomas ou coaching, onde qualquer pausa quebra a sensação de conversa.
Em voz, a Inworld oferece o Realtime TTS-2, capaz de gerar fala expressiva e dirigível em tempo real em centenas de idiomas e dialetos; o Realtime STT-1, que transcreve em streaming e ainda devolve traços como emoção, estilo, idade e sotaque; e um endpoint de fala para fala que escuta, raciocina e responde em uma única conexão WebSocket ou WebRTC. Os controles expressivos permitem orientar a interpretação, não apenas escolher uma voz predefinida.
Em modelos, o Inworld Inference hospeda um catálogo de modelos abertos de texto, imagem, vídeo e decisão que a empresa otimiza dos pesos aos kernels, competindo em preço, throughput e confiabilidade. O padrão é combinar um LLM hospedado com um modelo de voz, pagando por milhão de caracteres em voz e por milhão de tokens em inferência, com níveis de volume e empresariais.