Inworld AI präsentiert mit Realtime TTS-2 ein neues Sprachgenerierungsmodell, das sich fundamental von bisherigen Ansätzen unterscheidet: Statt nur Transkripte als Eingabe zu nutzen, verarbeitet das Modell den vollständigen Audio-Kontext. Dies ermöglicht einen geschlossenen Feedback-Loop, bei dem die KI auf tatsächliche Sprechmuster, Intonation, Pausen und emotionale Färbung reagiert – Aspekte, die in reiner Textform verloren gehen. Diese architektonische Verschiebung richtet sich gezielt an voice-first AI-Agenten, die mit natürlicherer Sprachinteraktion überzeugen sollen. Das Modell adaptiert sich damit nicht nur semantisch an den Gesprächsinhalt, sondern auch prosodisch und emotional an den tatsächlichen Gesprächsverlauf.