The #1 ranked——实时语音AI与智能路由平台

产品简介

The #1 ranked（原名Inworld）是一个专为实时对话设计的生成式AI语音平台。该平台致力于解决传统语音合成在延迟、自然度及成本控制方面的痛点，提供端到端的语音交互解决方案。通过整合先进的文本转语音（TTS）、语音转文本（STT）以及大语言模型（LLM）路由技术，它能够帮助开发者构建具有高度拟人化特征的实时智能体。平台强调“像人类一样感觉和声音”的交互体验，支持大规模部署，旨在让消费级应用能够以更低成本实现复杂的情感连接与娱乐互动。

核心功能模块

平台主要包含三大核心实时能力模块，分别针对语音输出、输入理解及模型调度进行优化：

• 实时文本转语音（Realtime TTS）：提供亚秒级延迟的自然语音合成，首块延迟低至130毫秒以下。支持声音克隆、设计及引导，能够生成具有情感表达力的自然回应。
• 实时语音转文本（Realtime STT）：具备内置的声音 profiling 功能，可实时识别情绪、年龄、口音、音调和风格等信号。支持双向WebSocket流式传输，提供高精度的转录及自定义词汇表支持。
• 实时路由器（Realtime Router）：作为智能中间层，可根据上下文、成本或延迟需求，将请求自动路由至OpenAI、Anthropic、Google等220多种模型。该功能零加价，仅收取提供商费率，并内置故障转移和A/B测试能力。

特色能力与技术优势

相较于传统语音服务，The #1 ranked在交互自然度和可控性上具有显著优势。其TTS-2版本引入了高级语音引导功能，允许通过自由格式的描述精确控制风格、节奏、强调和情感，从而避免机械感。在语音输入方面，平台利用语义和声学语音活动检测（VAD）技术，实现自然的轮次切换，确保对话流畅不中断。此外，统一的API设计使得开发者只需一次集成即可访问多个顶级模型提供商，简化了开发流程并降低了维护成本。

工作流程与集成方式

开发者可以通过标准的WebSocket或WebRTC连接接入平台。基本工作流程如下：

1. 配置连接：使用API密钥建立安全连接，选择所需的实时服务模块（TTS、STT或Router）。
2. 定义角色与工具：在会话中注册自定义工具或函数，设定智能体的行为逻辑和上下文管理策略。
3. 实时交互：通过全双工音频流发送用户语音或文本，平台实时处理并返回带有情感色彩的语音响应或结构化数据。
4. 动态优化：利用元数据信号（如语言、国家、用户层级）调整模型路由策略，或在会话中途动态管理上下文长度以控制Token成本。

适用人群与应用场景

该平台主要面向需要构建高质量语音交互界面的开发者与企业，典型应用场景包括：

使用建议与最佳实践

为了获得最佳效果，建议开发者充分利用平台的元数据传递功能。例如，在调用API时传入用户的情绪状态或意图标签，以便路由器选择最合适的模型或调整TTS的情感表达。对于成本敏感型应用，可启用成本优化模型路由；对于追求极致响应速度的场景，则应优先选择低延迟配置。此外，利用内置的分析工具监控关键指标，有助于持续优化对话质量和系统性能。

安全合规与注意事项

平台建立在零信任框架之上，提供企业级的安全保障。已通过SOC2 Type II认证，并符合HIPAA和GDPR合规要求，确保用户数据的安全性与隐私保护。在使用过程中，开发者应注意合理设置上下文窗口大小，以避免不必要的Token消耗。同时，虽然平台支持广泛的声音克隆，但需遵守相关伦理准则和法律法规，确保声音使用的合法性和授权性。

常见问题

平台支持哪些语言和声音克隆功能？

The #1 ranked支持超过100种语言的跨语言语音合成，允许使用单一声音模型在不同语言间保持音色一致。其声音克隆功能允许开发者创建定制化的品牌声音或角色声音，并通过高级语音设计工具对音色进行细致调整，确保输出声音的自然度和独特性。

如何控制语音输出的情感和风格？

用户可以通过TTS-2的高级语音引导功能，使用自由格式的自然语言描述来指定所需的情感、语速、强调点和整体风格。此外，平台还能根据实时对话中的元数据信号（如检测到的用户情绪）自动调整语音表达，使交互更加生动和贴合语境。

实时路由器的计费模式是怎样的？

实时路由器采用零加价模式，开发者只需支付底层模型提供商的标准费率，平台不收取额外的路由费用。这种透明的计费方式有助于降低大规模应用的成本。同时，平台提供内置的分析功能，帮助开发者监控和优化模型使用效率，进一步控制总体支出。