Modulate získává podporu Twilio Ventures a zrychluje detekci hlasů vytvořených umělou inteligencí

Modulate oznámila nové investice od Twilio Ventures a spoluzakladatele společnosti Kayak Paula Englishe. Zároveň rozšiřuje technologie, které mohou firmy využívat k identifikaci syntetických volajících a k dohledu nad hlasovými agenty s umělou inteligencí. Společnost uvádí, že její nejnovější modely dokážou rozpoznat hlas vytvořený umělou inteligencí za medián 1,6 sekundy oproti dosavadním 2,25 sekundy, přičemž při vyhodnocování skutečných hovorů s umělou inteligencí i lidskými volajícími dosahují přesnosti detekce vyšší než 99,1 %.

Investice navazuje na financování společnosti Modulate ve výši 25 milionů dolarů, oznámené v září. Kolo vedla společnost Future Ventures a zapojily se do něj také Hyperplane a Lakestar. Společnost nezveřejnila výši dalších investic. Současně s financováním přidává na platformu Velma více než tucet signálů založených přímo na zvuku, které mají firmám pomoci porozumět tomu, kdo – nebo co – jim volá a jak se vyvíjí konverzace vedená umělou inteligencí.

Toto rozlišení je pro automatizaci hlasové komunikace stále důležitější. Syntetický volající může být užitečný asistent, který sjednává schůzku, nebo naklonovaný hlas, který se pokouší o podvodné vydávání se za někoho jiného. Detekce řeči vytvořené umělou inteligencí poskytuje jeden dílčí důkaz; rozhodnutí, jak s hovorem naložit, vyžaduje širší pohled na chování volajícího a kontext.

Rychlejší detekce ještě během hovoru

Podle společnosti Modulate umožňuje zkrácení mediánu času detekce firmám rozpoznat syntetickou řeč dostatečně brzy na to, aby mohly hovor přesměrovat, označit ke kontrole nebo během pokračující konverzace použít další ověření. Systém analyzuje samotný zvuk, aniž by se spoléhal na vodoznaky vkládané jednotlivými poskytovateli technologií pro generování hlasu, a to i u novějších modelů převodu řeči na řeč a plně duplexních modelů.

Zkrácení času z 2,25 na 1,6 sekundy představuje přibližně 29% snížení uváděného mediánu. Jde o údaj o době detekce, nikoli o záruku, že každý hovor bude v tomto čase klasifikován nebo že se tak rychle dokončí celý bezpečnostní proces. Oznámení neuvádí velikost vyhodnocovaného vzorku ani rozdělení falešně pozitivních a falešně negativních výsledků, z nichž vychází údaj o přesnosti vyšší než 99,1 %.

„Operátoři hovorů – lidé i agenti s umělou inteligencí – musí být schopni rozpoznat, co se v těchto konverzacích děje, a odpovídajícím způsobem reagovat, dokud interakce stále probíhá,“ uvedl Carter Huffman, generální ředitel a spoluzakladatel společnosti Modulate.

Pro kontaktní centra spočívá provozní přínos v možnosti zasáhnout ještě před koncem konverzace. Upozornění doručené až poté, co už došlo ke změně účtu nebo sdělení citlivých informací, má jiný účel než signál dostupný během interakce.

Jak Velma kombinuje specializované zvukové modely

Velma využívá to, čemu Modulate říká Model souhrnného naslouchání (ELM): architekturu, která koordinuje specializované modely, místo aby se při interpretaci přepisu spoléhala výhradně na jediný univerzální model. Společnost uvádí, že její systém propojuje více než 100 modelů, které vyhodnocují signály, jako jsou emoce, tón, záměr, rytmus řeči, syntetická řeč a chování v konverzaci.

Popis produktu vysvětluje, že vrstva pro orchestraci kombinuje signály nižší úrovně do vyhodnocení vyšší úrovně a zároveň zachovává vazby na podkladové důkazy. Události opatřené časovými značkami mohou ukázat, v jakém okamžiku se konverzace změnila, a poskytnout tak provoznímu týmu konkrétnější podnět ke kontrole než nevysvětlené skóre rizika na úrovni celého hovoru.

Přepis zachycuje slova, ale nezaznamenává každou pauzu, přerušení, změnu důrazu ani způsob přednesu. Přístup společnosti Modulate doplňuje analýzu o akustické informace, takže vývojáři mohou zkoumat, jak konverzace probíhá, vedle toho, co její účastníci říkají.

Rozdíl ilustruje dokumentace společnosti k detekci deepfakeů na úrovni API. Popisuje akustickou klasifikaci zvukových úseků včetně časových hranic, verdiktů a skóre spolehlivosti a podporuje nahrané soubory i živé streamy. Skóre spolehlivosti detekce je důkazem podporujícím klasifikaci, nikoli důkazem totožnosti nebo úmyslů volajícího.

Syntetická řeč neznamená automaticky podvod

Modulate v průvodci prověřováním hlasových podvodů výslovně rozlišuje dvě otázky: detekce deepfakeů zjišťuje, zda je hlas syntetický, zatímco analýza konverzace hodnotí chování. Legitimní asistent s umělou inteligencí může používat syntetickou řeč; lidský volající se může pokoušet o sociální inženýrství, aniž by použil syntézu hlasu.

Toto rozlišení je důležité také pro lidi využívající asistivní technologie řeči. Samotné označení hlasu za syntetický není dostatečným důvodem k tomu, aby byl volající považován za škodlivého. Podle společnosti Modulate může Velma v nové verzi toto označení kombinovat se signály souvisejícími se záměrem, manipulací, tónem a chováním v konverzaci, a podpořit tak informovanější postup.

Praktickým cílem je odstupňovaná reakce: běžné směrování hovorů v případě povolené automatizace, dodatečné ověření, pokud to transakce vyžaduje, a předání případu k dalšímu řešení, když se konverzace vyznačuje podezřelým chováním. Detekční systém poskytuje důkazy; o reakci rozhodují pravidla organizace.

Sledování kvality hlasových agentů s umělou inteligencí

Nové signály Velma se zaměřují také na méně dramatický, ale z obchodního hlediska důležitý problém: agent s umělou inteligencí může působit plynule, a přitom poskytovat nekvalitní služby. Podle Modulate tato rozšíření pomáhají vyhodnocovat načasování odpovědí, kvalitu zvuku a nedorozumění v konverzaci, která mohou analytické nástroje pracující pouze s přepisy přehlédnout.

Na své stránce bezpečnostních opatření pro AI společnost popisuje Velma jako nástroj, který sleduje účastníky, nikoli jako samotného konverzačního agenta. Zákazníci mohou nastavit monitorování podle provozních postupů a očekávaného chování a poté odesílat signály do stávajících systémů prostřednictvím rozhraní API a webhooků.

Tím se odděluje systém, který vede konverzaci, od systému, který interakci vyhodnocuje. Týmy tak mohou zjišťovat, kde agent vyvolává frustraci, porušuje pravidla nebo nedokáže vhodně reagovat, a na základě těchto poznatků zlepšovat jeho nasazení.

Investiční podpora Twilio navazuje na dosavadní vztah

Twilio Ventures se zaměřuje na umělou inteligenci, nástroje pro vývojáře a firmy působící v oblasti zapojení zákazníků, takže zvuková inteligence spadá do oblasti jeho investičního zájmu. Modulate má s Twilio již technické propojení: oznámení z května 2025 popsalo kompatibilitu produktů VoiceVault a ToxMod, včetně rozhraní API kompatibilních s Twilio Media Streams, která umožňují přivádět do systémů společnosti zvuk živých hovorů.

Nová investice navazuje na tuto historii, oznámení však nepotvrzuje uzavření nové exkluzivní distribuční smlouvy. Modulate uvádí, že kapitál podpoří výzkum, vývoj produktů, zájem vývojářů o její řešení, partnerství a širší možnosti nasazení.

Zářijové oznámení o financování postavilo tytéž priority do centra expanze společnosti za hranice jejích dřívějších aplikací pro bezpečnost hlasové komunikace. Tato aktualizace přibližuje detekci a dohled: pomáhá podnikům rozpoznávat generovanou řeč, zkoumat související chování a posuzovat, zda jejich vlastní hlasoví agenti plní zamýšlenou úlohu.