Modulate får støtte fra Twilio Ventures og hurtigere AI-stemmedetektion

Modulate har annonceret nye investeringer fra Twilio Ventures og Kayaks medstifter Paul English, mens virksomheden udvider de teknologier, som virksomheder kan bruge til at identificere syntetiske opkaldere og overvåge AI-stemmeagenter. Ifølge virksomheden kan dens nyeste modeller identificere en AI-genereret stemme på en median på 1,6 sekunder mod tidligere 2,25 sekunder, samtidig med at de opretholder en detektionsnøjagtighed på over 99,1 % i virksomhedens evaluering af virkelige opkald fra både AI’er og mennesker.

Investeringen følger efter Modulates finansiering på 25 millioner dollar, som blev annonceret i september og ledet af Future Ventures med deltagelse fra Hyperplane og Lakestar. Virksomheden har ikke oplyst størrelsen på de yderligere investeringer. Samtidig med finansieringen tilføjer den mere end et dusin lydspecifikke signaler til sin Velma-platform, så virksomheder bedre kan forstå, hvem – eller hvad – der ringer, og hvordan en samtale ledet af AI forløber.

Denne skelnen bliver stadig vigtigere inden for stemmeautomatisering. En syntetisk opkalder kan være en nyttig assistent, der bestiller en tid, eller en klonet stemme, der forsøger at udgive sig for en anden. Detektion af genereret tale giver ét bevis; beslutningen om, hvad man skal gøre med opkaldet, kræver et bredere blik på adfærden og konteksten.

Hurtigere detektion, mens opkaldet stadig er i gang

Modulate siger, at den kortere median for detektionstid gør det muligt for virksomheder at identificere syntetisk tale tidligt nok til at viderestille et opkald, markere det til gennemgang eller kræve yderligere bekræftelse, mens samtalen fortsætter. Systemet analyserer selve lyden uden at være afhængigt af vandmærker, som de enkelte udbydere af stemmegenerering indsætter, også når det gælder nyere tale-til-tale-modeller og fuld-dupleksmodeller.

Faldet fra 2,25 til 1,6 sekunder svarer til en reduktion på omkring 29 % i den rapporterede median. Det er et mål for detektionstiden, ikke en garanti for, at hvert opkald klassificeres inden for dette tidsrum, eller at en komplet sikkerhedsproces afsluttes lige så hurtigt. Annonceringen oplyser hverken størrelsen på evalueringsprøven eller fordelingen af falske positiver og falske negativer bag nøjagtighedstallet på over 99,1 %.

»Operatører af opkald – mennesker eller AI-agenter – skal kunne forstå, hvad der sker i samtalerne, og reagere passende, mens interaktionen stadig er i gang,« sagde Carter Huffman, administrerende direktør og medstifter af Modulate.

For kontaktcentre er den driftsmæssige fordel muligheden for at gribe ind, før en samtale er afsluttet. En advarsel, der kommer, efter at en kontoændring eller videregivelse af følsomme oplysninger allerede har fundet sted, tjener et andet formål end et signal, der er tilgængeligt under selve interaktionen.

Sådan kombinerer Velma specialiserede lydmodeller

Velma bruger det, Modulate kalder en ensemblebaseret lyttemodel, eller ELM: en arkitektur, der koordinerer specialiserede modeller i stedet for udelukkende at lade én enkelt model til generelle formål fortolke et transskript. Ifølge virksomheden samler systemet mere end 100 modeller, der dækker signaler som følelser, tonefald, hensigt, talerytme, syntetisk tale og samtaleadfærd.

Produktbeskrivelsen forklarer, at et orkestreringslag kombinerer signaler på lavere niveau til vurderinger på højere niveau, samtidig med at forbindelserne til det underliggende evidensgrundlag bevares. Tidsstemplede hændelser kan vise, hvor en samtale ændrede karakter, så driftsteamet får noget mere konkret at gennemgå end en uforklaret risikoscore for hele opkaldet.

Et transskript gengiver ordene, men ikke alle pauser, afbrydelser, ændringer i betoningen eller talemåder. Modulates tilgang føjer akustiske oplysninger til analysen, så udviklere kan undersøge, hvordan en samtale forløber, sideløbende med hvad deltagerne siger.

Virksomhedens dokumentation om deepfake-detektion illustrerer denne skelnen på API-niveau. Den beskriver akustisk klassificering af lydsegmenter med tidsgrænser, vurderinger og konfidensscorer og understøtter både optagede filer og livestreams. En konfidensscore for detektion er evidens for en klassificering, ikke et bevis på den opkaldendes identitet eller hensigter.

Syntetisk tale er ikke det samme som svindel

Modulate skelner udtrykkeligt mellem disse spørgsmål i sin vejledning til screening for stemmesvindel: Deepfake-detektion vurderer, om en stemme er syntetisk, mens samtaleanalyse vurderer adfærd. En legitim AI-assistent kan bruge genereret tale; en menneskelig opkalder kan forsøge sig med social engineering uden at bruge stemmesyntese.

Denne skelnen er også vigtig for personer, der bruger taleteknologi som hjælpemiddel. En markering af syntetisk stemme er ikke i sig selv en tilstrækkelig grund til at betragte en opkalder som ondsindet. I den nye udgave siger Modulate, at Velma kan kombinere markeringen med signaler knyttet til hensigt, manipulation, tonefald og samtaleadfærd for at understøtte en mere velovervejet håndtering.

Det praktiske mål er en gradueret reaktion: almindelig viderestilling ved tilladt automatisering, yderligere bekræftelse, når en transaktion kræver det, og eskalering, hvis samtalen udviser mistænkelig adfærd. Detektionssystemet leverer evidensen; organisationens politikker afgør, hvordan der reageres.

Overvågning af AI-stemmeagenters kvalitet

De nye signaler fra Velma retter sig også mod et mindre dramatisk, men kommercielt vigtigt problem: En AI-agent kan lyde flydende, samtidig med at den leverer en dårlig serviceoplevelse. Modulate siger, at tilføjelserne gør det lettere at vurdere svartider, lydkvalitet og misforståelser i samtaler, som analyser, der kun bygger på transskriptioner, kan overse.

På sin side om sikkerhedsforanstaltninger for AI beskriver virksomheden Velma som et system, der overvåger deltagerne frem for selv at fungere som samtaleagent. Kunderne kan tilpasse overvågningen til driftsprocedurer og forventet adfærd og derefter sende signaler til eksisterende systemer via API’er og webhooks.

Dermed adskilles systemet, der fører samtalen, fra systemet, der vurderer interaktionen. Det giver teams mulighed for at undersøge, hvor en agent skaber frustration, overtræder politikker eller ikke reagerer hensigtsmæssigt, og bruge resultaterne til at forbedre implementeringen.

Twilios opbakning bygger videre på en eksisterende forbindelse

Twilio Ventures fokuserer på AI, udviklerværktøjer og virksomheder inden for kundeengagement, hvilket gør lydintelligens relevant for selskabets investeringsområde. Modulate har allerede en teknisk forbindelse til Twilio: En meddelelse fra maj 2025 beskrev kompatibilitet for produkterne VoiceVault og ToxMod, herunder API’er, der er kompatible med Twilio Media Streams, så live-lyd fra opkald kan overføres til Modulates systemer.

Den nye investering bygger videre på denne historik, men meddelelsen fastslår ikke, at der er indgået en ny eksklusiv distributionsaftale. Modulate siger, at kapitalen skal støtte forskning, produktudvikling, udbredelse blandt udviklere, partnerskaber og bredere muligheder for implementering.

I september satte meddelelsen om finansieringen de samme prioriteter i centrum for virksomhedens ekspansion ud over tidligere anvendelser inden for stemmesikkerhed. Med denne opdatering bringer virksomheden detektion og overvågning tættere sammen ved at hjælpe virksomheder med at genkende genereret tale, undersøge den omgivende adfærd og vurdere, om deres egne stemmeagenter udfører det arbejde, de er beregnet til.