Comparação de modelos
Compare Gemini 3.8 Flash TTS e Inworld Realtime TTS-2 usando a mesma rubrica voz e tempo real fornecida pelo provedor. Nenhuma pontuação misteriosa e nenhuma classificação de benchmark inventada.
Tomada rápida
O modelo de voz do Google para narração expressiva, vozes de personagens e diálogos em 130 idiomas.
Coloque as instruções de interpretação em speech_metadata, não no texto falado. A replicação de voz exige consentimento do falante e está sujeita a restrições regionais. O áudio gerado contém marca d'água SynthID.
O mais novo modelo expressivo de conversão de texto em fala em tempo real da Inworld, projetado para lembrar a conversação e falar em mais de 100 idiomas.
Esta é a camada de fala, não um agente completo. A página atual de retenção zero de dados do Inworld não lista explicitamente o TTS-2, portanto, confirme a cobertura antes de enviar texto confidencial ou dados de voz.
Compare os fatos publicados
Os valores usam as próprias unidades e limites publicados de cada provedor. Um espaço em branco significa que o fornecedor não publicou um valor diretamente comparável nas fontes analisadas.
| Voz e tempo real | Gemini 3.8 Flash TTS | Inworld Realtime TTS-2 |
|---|---|---|
| Base de preçoPreço baseado em token, caractere ou minuto para a rota de acesso listada. | US$ 0,50 entrada de texto · US$ 9 saída de áudio / 1 M de tokens | US$ 25/1 milhão de caracteres sob demanda; descontos por volume |
| Modo de interaçãoComportamento de fala para fala, áudio para áudio ou transmissão de texto para fala. | Texto para fala com diálogo entre duas vozes | TTS orientável em tempo real com contexto de áudio anterior |
| Latência publicadaMedição publicada pelo provedor com suas exclusões declaradas; não é um teste Cody. | Não publicado | Mediana de TTFA inferior a 200 ms |
| IdiomasCobertura linguística documentada pelo fornecedor ou um marcador claro e não publicado. | 130 idiomas | Mais de 100 com comutação no meio da fala |
| Ferramentas e controleRecursos nativos de chamada de função, raciocínio ou controle de fala. | Criação e replicação de voz; sem chamadas de funções | Direção de voz, design, clonagem, não-verbais |
| Contexto ou limite de entradaToken documentado ou limite de caracteres onde for significativo. | 8.192 tokens de entrada · 16.384 de saída | Não publicado |
Como escolher
Comece com o trabalho que você precisa concluir e, em seguida, valide os detalhes de custo, acesso e política na rota exata do seu provedor.
Google afirma que os prompts e respostas pagos do Gemini API não são usados para melhorar seus produtos. Geralmente, conteúdo de serviço não pago pode ser usado, com tratamento diferente para usuários do EEE, do Reino Unido e da Suíça; verifique os termos atuais para sua conta e região.
Links de provedor e API
A Inworld anuncia retenção zero de dados como um complemento empresarial, mas sua página de suporte ZDR publicada atualmente nomeia apenas TTS-1.5 Mini e Max. Confirme a cobertura do TTS-2 diretamente antes de enviar texto regulamentado ou confidencial.
Perguntas frequentes
Gemini 3.8 Flash TTS: O modelo de voz do Google para narração expressiva, vozes de personagens e diálogos em 130 idiomas. Inworld Realtime TTS-2: O mais novo modelo expressivo de conversão de texto em fala em tempo real da Inworld, projetado para lembrar a conversação e falar em mais de 100 idiomas.
Considere Gemini 3.8 Flash TTS quando sua prioridade for Audiolivros. Considere Inworld Realtime TTS-2 quando sua prioridade for Companheiros em tempo real e vozes de apoio. Teste ambos com seus próprios dados e rota do provedor antes de confirmar.
Não. Esta comparação alinha os fatos publicados pelo fornecedor para a categoria Voz e tempo real. Ele não reivindica um vencedor universal nem combina pontuações de benchmark de terceiros incompatíveis.
