Inworld AIは、テキスト読み上げ（TTS）・音声認識（STT）・音声会話（Speech-to-Speech）を提供するAI音声APIサービスです。100以上の言語に対応し、声のクローンや感情コントロールが可能。無料プランあり（70分TTS付き）、Creator プランは$25/月から。
Inworld AI とは？
Inworld AIは、消費者向けアプリケーションに特化したリアルタイムAI音声APIです。YouTubeナレーション・ポッドキャスト・オーディオブック・教育コンテンツなどのコンテンツ制作から、音声エージェント・AIアシスタントの開発まで幅広く利用されています。Status・Talkpalなどの人気アプリにも採用されています。
他のTTSサービスとの最大の違いは感情コントロール機能です。テキストに「興奮した口調で」「疲れた感じで」「秘密めかして」などの指示を自然言語で加えるだけで、それに合わせた音声が生成されます。デモ動画の制作やコンテンツ制作が非常に簡単になります。
| 比較項目 | Inworld AI | ElevenLabs | PlayHT |
|---|---|---|---|
| 感情コントロール（自然言語） | ◎ | △（タグ方式） | △（タグ方式） |
| 対応言語 | 100以上 | 30以上 | 100以上 |
| リアルタイム音声会話 | ◎ | ◎ | ○ |
| 無料プラン | ◎（70分TTS） | ◎（制限付き） | ◎（制限付き） |
| Creator月額 | $25 | $5〜 | $31.2〜 |
| 商用利用 | ◎（全プラン） | ◎（有料プラン） | ◎（有料プラン） |
Inworld AI の料金プラン
Inworld AIはクレジット制を採用しています。プランで付与されるクレジットをTTS・STT・LLM推論などに使い分けられます。
| プラン | 月額 | クレジット/月 | TTS単価（TTS-2） | 特徴 |
|---|---|---|---|---|
| On-Demand（無料） | $0 | 従量課金 | $25/1Mchars | 70分TTS無料・カスタムボイス100個・商用ライセンス付き |
| Creator | $25/月 | $25相当 | $20/1Mchars | カスタムボイス500個・声のクローン4個・チーム共有 |
| Builder | $100/月 | $100相当 | $17.50/1Mchars | カスタムボイス3,000個・声のクローン10個・並列処理増加 |
| Developer | $300/月 | $300相当 | $15/1Mchars | カスタムボイス10,000個・声のクローン25個・優先メールサポート |
| Growth | $1,500/月 | $1,500相当 | $12.50/1Mchars | HIPAA対応・ZDR・大規模デプロイ向け |
年払いに切り替えると2ヶ月分無料になります。クレジットは最大3ヶ月間繰り越し可能です。
Inworld AI の使い方（コンテンツ制作・API利用）
コンテンツ制作での使い方（プレイグラウンド）
- アカウント作成：公式サイト（inworld.ai）から無料サインアップ。クレジットカード不要でOn-Demandプランが利用でき、70分分のTTSクレジットが付与されます
- プレイグラウンドにアクセス：platform.inworld.ai/tts-playground からブラウザで直接テキスト読み上げを試せます。APIキー不要でブラウザ上で操作可能
- 音声・テキストを入力：読み上げるテキストを入力し、使用する音声モデルとボイスを選択します
- 感情・トーンを指定：テキスト内に自然言語で指示を追加するか、設定パネルで感情パラメータを指定します。「Speak this excitedly」のように英語で記述するだけでOK
- 生成・ダウンロード：生成された音声を再生確認してダウンロード。MP3・WAV形式で保存できます
API連携での使い方（開発者向け）
REST APIまたはSDKでアプリケーションに組み込めます。
- APIキーを取得：platform.inworld.ai でプロジェクトを作成し、APIキーを発行
- エンドポイントを呼び出す：TTS・STT・Speech-to-Speechの各エンドポイントにリクエストを送信
- リアルタイムストリーミング対応：WebSocketを使ったリアルタイム音声ストリーミングにも対応。低レイテンシの音声会話アプリを構築できます
Inworld AI の主な機能
- テキスト読み上げ（TTS）：100以上の言語に対応。TTS-2（高品質）とTTS-2 Flash（高速・低コスト）の2モデルを選択可能
- 音声認識（STT）：リアルタイム文字起こし。$0.10〜$0.15/時間
- 音声会話（Speech-to-Speech）：入力音声をリアルタイムに別の音声に変換。音声エージェント開発に活用
- 声のクローン：数分の音声サンプルから話者の声を複製。商用利用可能
- 感情コントロール：興奮・疲労・ひそひそ話など、自然言語の指示で音声のトーンを制御
- カスタムボイス：プランに応じて100〜30,000個のカスタムボイスを作成・管理
- LLM推論（Inworld Inference）：Gemma 4など100以上のLLMモデルに低レイテンシでアクセス可能
こんな人・用途におすすめ
- YouTuberやポッドキャスター：日本語以外の言語でもナレーションを追加してグローバル展開
- 教育コンテンツ・eラーニング制作者：多言語対応の講座を低コストで制作
- 音声エージェント・AIアシスタント開発者：低レイテンシのSpeech-to-Speechで自然な音声会話アプリを構築
- 広告・マーケティング担当者：複数言語の広告ナレーションを一括生成
- オーディオブック・ゲーム制作者：感情豊かなキャラクターボイスを大量生成
