Inworld y la primera sílaba de una respuesta
En la documentación de Inworld conviven voz e inferencia.

👁 113 lecturas
En la documentación de Inworld conviven voz e inferencia. Para una audioguía en streaming tomo los tiempos en el reproductor: el primer fragmento recibido todavía tiene que convertirse en sonido en el teléfono del visitante.
Distingue la voz que devuelve el proveedor de la experiencia que ofrece el reproductor. Con una conexión móvil el visitante puede oír tarde una respuesta cuyo primer paquete llegó a tiempo. Repetir con el mismo archivo ayuda a localizar la espera.
Fuente y alcance
Resultados del 17 de noviembre de 2026. Cada puesto pertenece a la tarea indicada.
| Modelo y tarea | Posición | Métrica |
|---|---|---|
| Realtime TTS-2 (voz del proveedor) | 9 | Elo 1270 |
| Realtime TTS-2 (voz controlada) | 9 | Elo 1145 |
| Realtime TTS-2 Flash (voz del proveedor) | 18 | Elo 1215 |
| Realtime TTS-2 Flash (voz controlada) | 20 | Elo 1066 |
| Inworld Realtime (Default Cascaded System) (agente de voz) | 25 | Elo 884 |
Qué medir en el encargo
Sintetiza «El recorrido empieza en la plaza del Azoguejo». Registra llegada del primer fragmento, comienzo audible y final del topónimo.
Google · Tus fuentesBrilla más alto en tu Google - con un solo clicAñadir a fuentes preferidas →Fuentes
- https://docs.inworld.ai/introduction (consulta 17.11.2026)
- https://inworld.ai/tts (consulta 17.11.2026)
- https://artificialanalysis.ai/text-to-speech/leaderboard/provider-voice (consulta 17.11.2026)
- https://artificialanalysis.ai/text-to-speech/leaderboard/controlled-voice (consulta 17.11.2026)
- https://artificialanalysis.ai/speech-to-speech/arena (consulta 17.11.2026)
More on this from FULGOR
benchmarks·Ideogram: conservar los detalles al editar por etapasLas herramientas de Ideogram reunidas por tipo de trabajo. Cómo elegir el modelo y qué comprobar antes de utilizarlo en un proyecto en España.

