InworldはUltravoxを買収し、音声AIスタックの両端を今では掌握しています。

Ultravox側：リアルタイムの音声認識からインテント推定、ツール呼び出し、ターンテイキングのロジック、割り込み（インタラプト）対応までを扱うフルの音声エージェントプラットフォーム。開発を継続するためにコアチームがInworldに参加。

Inworld側：Artificial Analysisで第1位にランクされたRealtime TTS-2モデル。100ms未満の低遅延。200以上の言語に対応。「ここでゆっくりして」「もっと温かい音にして」「ワクワクした感じにして」といったプロソディ（抑揚）制御のためのインラインテキスト指示を、プロンプト内に直接埋め込み。

技術的な意味合い：単一ベンダーが、会話推論レイヤー（いつ話すか、どのアクションを起動するか）と、音声合成レイヤー（音の出し方、遅延、多言語の描画方法）を両方所有することになります。既存のUltravox導入は、移行作業ゼロでTTS-2へ自動アップグレードされます。

ユースケース：AIコンパニオン、チューター、ユーザーの継続率が会話の流暢さと人間らしいやり取りのパターンに左右されるカスタマーサポートエージェント。縦方向の統合により、遅延が減り、インテント理解と音声出力のタイミングの一貫性が高まる——それに賭けています。