Inworld API: озвучка и распознавание
Inworld делает голосовые модели — озвучку, распознавание речи и голосовых агентов. По нашему ключу доступны Inworld TTS-2, флагманская озвучка, у которой в нашем каталоге 25 голосов с русским, её быстрый вариант TTS-2 Flash и распознавание Inworld STT-1 на 30 языках. Платишь в рублях, а запросы пишешь в формате OpenAI.
- 3 модели
- от 1,68 ₽ за 1000 знаков
- озвучка текста, распознавание речи
Обновлено:
Модели и цены
Озвучка текста
| Модель | Знаков за раз | Цена |
|---|---|---|
| Inworld TTS-2 | до 2 000 | 2,80 ₽ за 1000 знаков |
| Inworld TTS-2 Flash | до 2 000 | 1,68 ₽ за 1000 знаков |
Распознавание речи
| Модель | Звука за раз | Цена |
|---|---|---|
| Inworld STT-1 | до 2 ч | 0,28 ₽ за минуту звука |
Как выбрать
По запросу «Inworld» в поиске встречается многое, но здесь речь только о голосе: у нас две озвучки Inworld и одна модель распознавания.
- Inworld TTS-2 — модель, которую Inworld советует для работы, где важны качество и управляемость. Inworld пишет о 200+ языках и их вариантах и о задержке первого звука около 100 мс на своих серверах. Для русской озвучки важнее другое: в нашем каталоге у TTS-2 25 голосов с русским — Алёна, Аркадий, Глеб, Светлана, Тимофей и другие.
- Inworld TTS-2 Flash — облегчённый вариант для потока коротких фраз, где решают скорость и цена; Inworld называет задержку около 20 мс. Голоса у него те же, а управлять подачей словами, как старшая модель, Flash не умеет. Своей страницы у варианта нет — он описан вместе с TTS-2, а цена стоит в общей таблице.
- Inworld STT-1 — распознавание речи на 30 языках, русский среди них. Готовый файл обрабатывается одним запросом.
Две оговорки, чтобы не ждать лишнего. Указания «как говорить» словами — сильная сторона TTS-2 у Inworld, но наш API передаёт модели только текст и голос, поэтому подачу задают выбор голоса и пунктуация. А «профиль голоса» из ответа STT-1 — возраст, пол и эмоцию говорящего — Inworld считает, но в наш ответ он не входит: там текст, язык и время слов.
TTS-2 принимает до 2 000 знаков за запрос. Цены за 1 000 знаков и за минуту записи — в таблице моделей на этой странице.
Популярные задачи
Голос приложения на русском
Подсказки, приветствие, напоминания о делах — всё, что приложение говорит вслух, удобно озвучить одним голосом Inworld TTS-2. Выбери из русских голосов тот, что подходит характеру продукта: спокойный для банка, бодрый для фитнеса. Закрепи его id в коде — и все фразы будут звучать как один «персонаж».
Пример запроса: «Привет! Я голос твоего приложения. Могу читать новости, напоминать о делах и рассказывать сказки на ночь.»
Сказки и истории для детских приложений
Сказка на ночь звучит теплее, когда паузы стоят там, где их сделал бы человек. Раздели текст на короткие абзацы, ставь многоточия перед поворотом сюжета и не гони темп — TTS-2 прочитает текст так, как его размечает пунктуация. Длинную сказку отправляй частями до 2 000 знаков и склеивай звук у себя.
Массовые уведомления и короткие ответы
Когда фраз тысячи — статусы заказов, ответы бота, озвучка карточек, — считаются копейки и миллисекунды. Тут подойдёт TTS-2 Flash: она дешевле TTS-2, а голоса у неё те же, так что уведомления и основное приложение звучат одинаково. id для запроса — inworld/inworld-tts-2-flash.
Расшифровка коротких записей
Inworld STT-1 превращает в текст короткую реплику из ролика, голосовую заметку или фразу игрока. В ответе — текст и время слов, если запросить подробный формат verbose_json. Для длинных встреч с несколькими собеседниками посмотри модели в подборке для распознавания речи.
Пример запроса: фраза из ролика на двадцать секунд, в ответ — текст со временем слов.
Как получить ключ Inworld API в России
Аккаунт на портале Inworld не понадобится: ключ, оплата и запросы — на нашей стороне.
- На veselo.ai открой раздел для разработчиков и выпусти ключ
sk-vsl-…. - Пополни счёт API — оплата картой российского банка или по СБП, без иностранной карты.
- Для озвучки пошли
POST https://veselo.ai/v1/audio/speechсmodel: "inworld/inworld-tts-2"иvoice: "Alyona", для расшифровки — файл на/v1/audio/transcriptionsсmodel=inworld/inworld-stt-1.
Подойдёт любой клиент OpenAI: меняются только адрес и ключ. Остальные поля — в документации по озвучке и распознаванию.
Как подключить
Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI. Пример — с моделью Inworld TTS-2: у других моделей меняется только model.
curl
curl https://veselo.ai/v1/audio/speech \
-H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
-H "Content-Type: application/json" \
-d '{
"model": "inworld/inworld-tts-2",
"voice": "Alyona",
"input": "Добрый вечер! Сегодня в программе — хорошие новости."
}' \
--output speech.mp3Python
from openai import OpenAI # pip install openai
client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ", timeout=600.0, max_retries=0)
with client.audio.speech.with_streaming_response.create(
model="inworld/inworld-tts-2",
voice="Alyona",
input="Добрый вечер! Сегодня в программе — хорошие новости.",
) as r:
r.stream_to_file("speech.mp3")JavaScript
import fs from 'node:fs';
const res = await fetch('https://veselo.ai/v1/audio/speech', {
method: 'POST',
headers: { Authorization: 'Bearer sk-vsl-ТВОЙ_КЛЮЧ', 'Content-Type': 'application/json' },
body: JSON.stringify({ model: 'inworld/inworld-tts-2', voice: 'Alyona', input: 'Добрый вечер! Сегодня в программе — хорошие новости.' }),
signal: AbortSignal.timeout(600_000),
});
if (!res.ok) throw new Error((await res.json()).error.message);
fs.writeFileSync('speech.mp3', Buffer.from(await res.arrayBuffer()));В программах: тем же ключом — из любого кода, а без ключа Claude, ChatGPT и Cursor зовут модель по MCP: вход на сайте и кнопка «Разрешить». MCP
Версии и отличия
- TTS-2 — флагман Inworld: высокое качество и управление подачей словами у самой Inworld. У нас — 25 голосов с русским и до 2 000 знаков за запрос.
- TTS-2 Flash — быстрее и дешевле TTS-2, те же голоса, без управления подачей словами.
- STT-1 — распознавание на 30 языках. Разметку говорящих Inworld пока называет экспериментальной.
- Старые модели: Inworld TTS-1 и TTS-1 Max Inworld отключила 15 июня 2026 года и перевела их запросы на новые модели, а TTS-1.5 не советует для новых проектов. У нас их нет.
- Чего здесь нет: голосовых агентов Inworld в реальном времени и потокового распознавания — через наш API только готовые файлы и тексты.
Вопросы и ответы
- Сколько русских голосов у Inworld TTS-2?
- В нашем каталоге — 25: среди них Алёна, Аркадий, Дмитрий, Елена, Полина, Светлана и Тимофей. Полный список с id — в карточке модели в
GET /v1/models. - Можно ли управлять подачей Inworld TTS-2 словами?
- У самой Inworld — да, но через наш API модель получает только текст и выбранный голос. Интонацию меняй пунктуацией и длиной фраз, а характер — выбором голоса.
- Какой длины текст принимает Inworld TTS-2?
- До 2 000 знаков за запрос — у других озвучек каталога предел обычно больше. Длинный текст раздели на части по абзацам: каждая часть оплачивается по своей длине.
- Чем Inworld TTS-2 отличается от TTS-2 Flash?
- TTS-2 — для качества и управляемости, Flash — для скорости и объёма, по описанию Inworld. Голоса у них общие, Flash дешевле. Для озвучки контента бери TTS-2, для потока уведомлений — Flash.
- Вернёт ли Inworld STT-1 возраст и эмоцию говорящего?
- Нет. Inworld считает такой «профиль голоса», но в наш ответ входят только текст, язык и время слов. Если нужна именно эта функция, она есть только в API самой Inworld.
- Inworld через Весело — это официально?
- Весело — не Inworld: мы продаём доступ к её моделям по своему ключу и принимаем оплату в рублях. Текст и записи уходят модели без правок, а запрос с ошибкой денег не стоит.
- Нужны ли VPN и зарубежная карта?
- Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.
- Сколько стоит запрос, который закончился ошибкой?
- Нисколько: ошибка нейросети денег не стоит, удержание на время запроса снимается целиком.
Ещё по теме
Факты сверены 16 ноября 2026 по документации: docs.inworld.ai