Інструменти / Аналіз
Inworld навчила голосового агента слухати двома способами
Voice Isolator прибирає шум із запису. SAVA визначає, коли співрозмовник закінчив думку. Inworld відкрила код і ваги обох моделей та окремо описала, як синтезує голос для відповіді.

«Перший потяг вирушає о…» Людина замовкає, щоб звіритися з розкладом. Паузу було б чути навіть в ідеальний мікрофон. Чи переб’є людину голосовий помічник, залежить від того, чи сприйме він цю тишу як кінець репліки. Прибрати з запису вокзальне оголошення — зовсім інше завдання.
18 листопада Inworld оприлюднила код і ваги двох моделей за ліцензією Apache 2.0. Voice Isolator визначає, яка частина запису припадає на голос. SAVA оцінює, чи людина зараз говорить і чи завершила вона репліку. Команда може перевірити обидві моделі на своїх записах і розібратися, на якому саме етапі зламався ритм розмови.
Послухати, що забрав фільтр
Для записаного діалогу офлайн-версія Voice Isolator може проаналізувати цілий восьмисекундний фрагмент, перш ніж вирішити, що залишити в кожну його мить. Під час живої розмови чекати стільки ніхто не буде. Потокова версія враховує лише наступні 20 мілісекунд. Обидві працюють із частотою 48 кГц. За даними Inworld, алгоритмічна затримка потокової моделі становить 63 мілісекунди ще до витрат часу на обчислення. Ті 20 мілісекунд описують, наскільки вперед модель зазирає в запис.
У демо звукорежисер може прослухати дві доріжки: виділений голос і фон, який виходить після віднімання цього голосу від оригіналу. У другій доріжці іноді залишається частина мовлення. Якщо туди потрапив вдих або закінчення слова, варто повернутися до оригіналу, перш ніж брати очищений дубль у монтаж. Серед вхідних файлів у репозиторії є sample_14.wav — монофонічний PCM-запис тривалістю 10,77 секунди з частотою 48 кГц. На ньому можна порівняти результат з оригіналом саме на тому комп’ютері, де потім оброблятимуть записи.
У документації зазначено два обмеження. Вибрати одного мовця з кількох у моделі не можна. Втрачене аудіо ця версія теж не відновлює. Якщо двоє акторів говорять одночасно, а режисер хоче залишити в сцені тільки одного, окремі мікрофонні доріжки й далі мають значення.
Джерела: Inworld / GitHub [3] · Inworld [1] · Inworld / GitHub [4]
Оригінальне відео Inworld до релізу
Завантаження допису з X…
33-секундне відео Inworld опублікувала разом з анонсом Voice Isolator, SAVA і технічного звіту про TTS-2.
Пауза перед часом відправлення
SAVA приймає монофонічний звук із частотою 16 кГц і кожні 40 мілісекунд видає дві оцінки ймовірності. Одна показує, чи звучить мовлення. Інша — чи людина завершила репліку. Часові умови різні: для оцінки мовлення в певному фрагменті модель враховує наступні 120 мілісекунд звуку, а для оцінки кінця репліки працює без випередження. Тож застосунок може відстежити завершення репліки, не чекаючи на першу оцінку.
Друга оцінка стає у пригоді саме в незавершеній фразі про потяг. І останнє слово, і те, як його вимовили, дають підказки, які втрачає звичайний таймер тиші. Але навіть після завершеної думки розробник застосунку має вирішити, що робити далі: одразу відповісти, коротко дати знати, що тебе чують, чи почекати. SAVA реагує на будь-який голос. Як відрізнити спробу перебити від підбадьорливого «угу» — питання до того, хто проєктує розмову.
Джерела: Inworld / GitHub [6] · Inworld / Hugging Face [7] · Inworld / X [2]
Що можна завантажити
Дві відкриті моделі мають окремі репозиторії. Inworld опублікувала код на GitHub, а ваги — на Hugging Face. Команда може очищати записані діалоги й окремо перевіряти SAVA на паузах у справжніх розмовах. Якщо моделі таки поєднати, доведеться узгодити частоту дискретизації: перша повертає 48 кГц, друга приймає 16 кГц.
Третій пункт анонсу стосується голосу, яким відповідає агент. Inworld опублікувала технічний звіт про Realtime TTS-2: як система виконує вказівки щодо манери мовлення, зберігає голос зразка різними мовами й синтезує звук потоком. Ваги, доступні для завантаження в цьому релізі, належать Voice Isolator і SAVA. На прикладі з потягом уже можна провести корисний експеримент: залишити той самий запис із мікрофона й змінювати мить, коли помічник вирішує заговорити.
Джерела: Inworld [1] · Inworld / Hugging Face [5] · Inworld / Hugging Face [7] · Inworld / GitHub [8]
ДЖЕРЕЛА ТА МЕТОД
Що стоїть за цим матеріалом
Перевірено 18 листопада 2026 р.. Технічні твердження спираються на документацію розробників; відео підписані іменами авторів. Заяви компаній та сторонні огляди наведені з посиланнями на джерела; висновки є редакційним аналізом. Власних порівняльних випробувань цих релізів для статті не проводили.
- Open-source voice models from Inworld Inworld
- November 18 release and original video Inworld / X · 2026-11-18
- Voice Isolator — two model variants and listening demo Inworld / GitHub
- Voice Isolator example 14 — original WAV input Inworld / GitHub
- Voice Isolator model card and weights Inworld / Hugging Face
- SAVA — streaming speech and end-of-turn detection Inworld / GitHub
- SAVA model card and weights Inworld / Hugging Face
- Realtime TTS-2 technical report Inworld / GitHub


