Modulate erhält Unterstützung von Twilio Ventures und verbessert die Erkennung KI-generierter Stimmen

Modulate hat neue Investitionen von Twilio Ventures und Paul English, Mitgründer von Kayak, bekannt gegeben. Damit baut das Unternehmen die Technologien aus, mit denen Firmen synthetische Anrufer erkennen und KI-Sprachagenten überwachen können. Nach Angaben des Unternehmens erkennen die neuesten Modelle eine KI-generierte Stimme im Median innerhalb von 1,6 Sekunden statt bisher 2,25 Sekunden. Bei Tests mit realen Gesprächen zwischen KI und Menschen liege die Erkennungsgenauigkeit weiterhin bei über 99,1 Prozent.

Die Investition folgt auf eine im September bekannt gegebene Finanzierungsrunde über 25 Millionen US-Dollar, die von Future Ventures angeführt wurde und an der sich Hyperplane und Lakestar beteiligten. Die Höhe der zusätzlichen Investitionen hat das Unternehmen nicht offengelegt. Begleitend zur Finanzierung erweitert es seine Plattform Velma um mehr als ein Dutzend speziell für Audio entwickelte Signale. Damit sollen Unternehmen besser verstehen, wer – oder was – anruft und wie sich ein KI-gesteuertes Gespräch entwickelt.

Diese Unterscheidung wird für die Sprachautomatisierung immer wichtiger. Ein synthetischer Anrufer kann ein hilfreicher Assistent sein, der einen Termin vereinbart, oder eine geklonte Stimme, mit der jemand eine andere Person nachzuahmen versucht. Die Erkennung synthetischer Sprache liefert einen Hinweis; um zu entscheiden, wie mit dem Anruf zu verfahren ist, müssen jedoch auch sein Verlauf und Kontext umfassender betrachtet werden.

Schnellere Erkennung noch während des Anrufs

Modulate zufolge ermöglicht die kürzere mediane Erkennungszeit Unternehmen, synthetische Sprache früh genug zu erkennen, um einen Anruf weiterzuleiten, zur Überprüfung zu markieren oder zusätzliche Verifizierungsschritte einzuleiten, während das Gespräch weiterläuft. Das System analysiert das zugrunde liegende Audiosignal, ohne auf Wasserzeichen angewiesen zu sein, die einzelne Anbieter von Sprachgenerierung einfügen – auch bei neueren Sprach-zu-Sprach- und Vollduplexmodellen.

Der Rückgang von 2,25 auf 1,6 Sekunden entspricht einer Verringerung des vom Unternehmen angegebenen Medianwerts um etwa 29 Prozent. Dabei handelt es sich um eine Messung der Erkennungszeit, nicht um die Garantie, dass jeder Anruf innerhalb dieses Zeitraums klassifiziert wird oder ein vollständiger Sicherheitsprozess so schnell abgeschlossen ist. In der Mitteilung werden weder die Größe der Teststichprobe noch eine Aufschlüsselung der falsch positiven und falsch negativen Ergebnisse genannt, die der Genauigkeitsangabe von mehr als 99,1 Prozent zugrunde liegen.

„Callcenter-Mitarbeitende und KI-Agenten müssen erkennen können, was in diesen Gesprächen geschieht, und angemessen reagieren, solange die Interaktion noch läuft“, sagte Carter Huffman, CEO und Mitgründer von Modulate.

Für Contactcenter besteht der praktische Vorteil darin, dass sie eingreifen können, bevor ein Gespräch beendet ist. Eine Warnung, die erst eingeht, nachdem bereits eine Kontoänderung vorgenommen oder eine vertrauliche Information preisgegeben wurde, erfüllt einen anderen Zweck als ein Signal, das während der Interaktion verfügbar ist.

Wie Velma spezialisierte Audiomodelle kombiniert

Velma nutzt ein von Modulate als Ensemble-Hörmodell bezeichnetes System, kurz ELM: eine Architektur, die spezialisierte Modelle koordiniert, statt sich bei der Interpretation eines Transkripts vollständig auf ein einzelnes universell einsetzbares Modell zu stützen. Nach Angaben des Unternehmens vereint das System mehr als 100 Modelle, die Signale wie Emotionen, Tonfall, Absicht, Sprechtempo, synthetische Sprache und Gesprächsverhalten abdecken.

Laut der Produktbeschreibung führt eine Orchestrierungsebene Signale niedrigerer Ebenen zu übergeordneten Einschätzungen zusammen und erhält dabei die Verknüpfungen zu den zugrunde liegenden Belegen. Zeitgestempelte Ereignisse können zeigen, an welcher Stelle sich ein Gespräch verändert hat. So erhält ein Betriebsteam konkretere Anhaltspunkte für die Prüfung als durch einen unerklärten Risikowert für den gesamten Anruf.

Ein Transkript hält die gesprochenen Worte fest, bildet jedoch nicht jede Pause, Unterbrechung, Betonungsänderung oder jedes Sprechmuster ab. Der Ansatz von Modulate ergänzt die Analyse um akustische Informationen, damit Entwickler neben dem Gesagten auch den Gesprächsverlauf untersuchen können.

Die Dokumentation zur Deepfake-Erkennung des Unternehmens veranschaulicht diese Unterscheidung auf API-Ebene. Sie beschreibt die akustische Klassifizierung von Audiosegmenten mit Zeitgrenzen, Ergebnissen und Konfidenzwerten und unterstützt sowohl aufgezeichnete Dateien als auch Livestreams. Ein Konfidenzwert bei der Erkennung ist ein Hinweis auf eine Klassifizierung, aber kein Beweis für die Identität oder die Absichten eines Anrufers.

Synthetische Sprache ist nicht gleich Betrug

In seinem Leitfaden zur Erkennung von Sprachbetrug unterscheidet Modulate diese Fragestellungen ausdrücklich: Bei der Deepfake-Erkennung wird geprüft, ob eine Stimme synthetisch ist, während die Gesprächsanalyse das Verhalten bewertet. Ein legitimer KI-Assistent kann synthetische Sprache verwenden; ein menschlicher Anrufer kann Social Engineering versuchen, ohne dass dafür eine Stimme synthetisch erzeugt wird.

Diese Unterscheidung ist auch für Menschen wichtig, die unterstützende Sprachtechnologien verwenden. Allein eine Kennzeichnung als synthetische Stimme reicht nicht aus, um einen Anrufer als böswillig einzustufen. In der neuen Version kann Velma laut Modulate diese Kennzeichnung mit Signalen zu Absicht, Manipulation, Tonfall und Gesprächsverhalten kombinieren, um fundiertere Entscheidungen über den weiteren Umgang zu ermöglichen.

Ziel ist ein abgestuftes Vorgehen: die übliche Weiterleitung bei zulässiger Automatisierung, zusätzliche Verifizierung, wenn eine Transaktion sie erfordert, und eine Eskalation, wenn das Gespräch verdächtiges Verhalten erkennen lässt. Das Erkennungssystem liefert Hinweise; die Richtlinien des Unternehmens bestimmen die Reaktion.

Die Qualität von KI-Sprachagenten überwachen

Die neuen Velma-Signale zielen auch auf ein weniger spektakuläres, aber kommerziell wichtiges Problem ab: Ein KI-Agent kann flüssig sprechen und dennoch ein schlechtes Serviceerlebnis bieten. Modulate zufolge helfen die Ergänzungen dabei, das Antworttempo, die Audioqualität und Missverständnisse im Gespräch zu bewerten, die bei Analysen auf Basis reiner Transkripte möglicherweise unentdeckt bleiben.

Auf seiner Seite zu KI-Leitplanken beschreibt das Unternehmen Velma als System, das die Beteiligten überwacht, statt selbst als Gesprächsagent aufzutreten. Kunden können die Überwachung an Betriebsabläufen und erwartetem Verhalten ausrichten und die Signale anschließend über APIs und Webhooks an bestehende Systeme senden.

So wird das System, das das Gespräch führt, von dem System getrennt, das die Interaktion bewertet. Teams erhalten damit eine Möglichkeit, zu untersuchen, an welchen Stellen ein Agent Frustration auslöst, gegen Richtlinien verstößt oder nicht angemessen reagiert, und die gewonnenen Erkenntnisse zur Verbesserung des Einsatzes zu nutzen.

Twilios Unterstützung knüpft an eine bestehende Verbindung an

Twilio Ventures konzentriert sich auf KI, Entwicklerwerkzeuge und Unternehmen im Bereich Kundeninteraktion. Damit fällt Audiointelligenz in den Bereich seiner Investitionsschwerpunkte. Modulate unterhält bereits eine technische Verbindung zu Twilio: In einer Ankündigung vom Mai 2025 wurde die Kompatibilität seiner Produkte VoiceVault und ToxMod beschrieben. Dazu gehören mit Twilio Media Streams kompatible APIs, über die sich Live-Anrufaudio in die Systeme des Unternehmens einspeisen lässt.

Die neue Investition baut auf dieser Vorgeschichte auf, doch aus der Ankündigung geht keine neue exklusive Vertriebsvereinbarung hervor. Modulate zufolge wird das Kapital Forschung, Produktentwicklung, die Akzeptanz bei Entwicklern, Partnerschaften und breitere Einsatzmöglichkeiten unterstützen.

Die Finanzierungsankündigung vom September stellte dieselben Prioritäten in den Mittelpunkt der Expansion über die früheren Anwendungen zur Sprachsicherheit hinaus. Mit diesem Update führt das Unternehmen Erkennung und Überwachung enger zusammen: Unternehmen sollen erzeugte Sprache erkennen, das Verhalten im jeweiligen Kontext untersuchen und beurteilen können, ob ihre eigenen Sprachagenten die vorgesehene Aufgabe erfüllen.