Modulate συγκεντρώνει 25 M $ για την κατασκευή της στρώσης νοημοσύνης για φωνητική AI

Modulate έχει συγκεντρώσει 25 εκατομμύρια δολάρια νέας χρηματοδότησης, καθώς η εταιρεία με έδρα τη Βοστώνη επιδιώκει να εκμεταλλευτεί μια αυξανόμενη πρόκληση στην τεχνητή νοημοσύνη: να διδάξει τις μηχανές να κατανοούν όχι μόνο τι λένε οι άνθρωποι, αλλά και πώς το λένε.

Future Ventures ηγήθηκε του γύρου, με συμμετοχή των Hyperplane και Lakestar. Η χρηματοδότηση αυξάνει το συνολικό κεφάλαιο της Modulate στα $60 εκατομμύρια και θα χρησιμοποιηθεί για την επέκταση της έρευνας AI, των ομάδων μηχανικών, των εργαλείων για προγραμματιστές, των συνεργασιών και των επιλογών ανάπτυξης.

Η επένδυση έρχεται καθώς η φωνή γίνεται ολοένα και πιο συχνά διεπαφή για πράκτορες AI, πλατφόρμες εξυπηρέτησης πελατών, περιβάλλοντα παιχνιδιών και συστήματα ασφαλείας. Παρόλο που η τεχνολογία μετατροπής ομιλίας σε κείμενο έχει βελτιωθεί δραματικά, η Modulate υποστηρίζει ότι τα μόνο τα κείμενα παραλείπουν μεγάλο μέρος των πληροφοριών που περιέχει η ανθρώπινη ομιλία.

Η τεχνολογία της, αντίθετα, αναλύει το υποκείμενο ήχο για σήματα όπως το συναίσθημα, ο τόνος, η πρόθεση, τα διαλείμματα, η συνθετική ομιλία και η συμπεριφορά στη συζήτηση.

Moving Beyond Speech-to-Text

Το μεγαλύτερο μέρος του σημερινού στοίβας φωνητικής AI ακολουθεί μια σχετικά απλή αρχιτεκτονική: μετατρέπει την ομιλία σε κείμενο και στη συνέχεια στέλνει το προκύπτον κείμενο σε ένα μεγάλο μοντέλο γλώσσας (LLM).

Αυτό λειτουργεί καλά όταν οι λέξεις από μόνες τους περιέχουν το μεγαλύτερο μέρος των σχετικών πληροφοριών. Καθίσταται πιο περιοριστικό όταν το νόημα εξαρτάται από σαρκασμό, απογοήτευση, δισταγμό, άγχος, διακοπές ή αλλαγές στον τόνο.

Η Modulate έχει δημιουργήσει την κορυφαία της πλατφόρμα Velma γύρω από την ιδέα ότι αυτά τα σήματα πρέπει να αναλύονται άμεσα από τον ήχο, αντί να ανακατασκευάζονται αργότερα από ένα κείμενο.

Η εταιρεία περιγράφει τη Velma ως ένα σύστημα νοημοσύνης συζήτησης εγγενές στον ήχο, ικανό να παράγει κείμενα ενώ ταυτόχρονα αναγνωρίζει ομιλητές, συναισθήματα, θέματα συζήτησης, συναισθηματική διάθεση και πάνω από 150 συμπεριφορές. Οι προγραμματιστές μπορούν επίσης να ορίζουν προσαρμοσμένες συμπεριφορές χρησιμοποιώντας περιγραφές σε φυσική γλώσσα.

Αυτό ανοίγει την τεχνολογία σε εφαρμογές που κυμαίνονται από την αναγνώριση ενός απογοητευμένου πελάτη πριν η κλήση επιδεινωθεί, έως την ανίχνευση ύποπτης συμπεριφοράς κατά τη διάρκεια μιας χρηματοοικονομικής συναλλαγής ή την ταυτοποίηση όταν ένας φωνητικός πράκτορας AI συμπεριφέρεται απροσδόκητα.

Τον Ιούνιο, η Modulate άνοιξε τη Velma απευθείας σε προγραμματιστές μέσω API, διευρύνοντας την πρόσβαση πέρα από τις προηγούμενες επιχειρηματικές εγκαταστάσεις.

Modulate ακολουθεί μια προσέγγιση Ensemble στην ηχητική AI

Η αρχιτεκτονική που βρίσκεται κάτω από τη Velma είναι αυτό που η Modulate αποκαλεί Ensemble Listening Model, ή ELM.

Αντί να χρησιμοποιεί ένα τεράστιο μοντέλο για κάθε εργασία, το ELM συντονίζει πάνω από 100 εξειδικευμένα μοντέλα, με μεμονωμένα στοιχεία να αναλύουν διαφορετικά χαρακτηριστικά ενός ηχητικού ρεύματος.

Αυτά τα μοντέλα μπορούν να εξετάσουν βασικές ιδιότητες όπως αλλαγές ομιλητή και διαλείμματα, μαζί με σήματα υψηλότερου επιπέδου όπως το συναίσθημα, η αντιληπτή πρόθεση, οι δείκτες συνθετικής φωνής, η σύγχυση ή τα πρότυπα συμπεριφοράς. Ένα στρώμα ενορχήστρωσης συνδυάζει στη συνέχεια αυτές τις παρατηρήσεις σε μια ευρύτερη ερμηνεία της συζήτησης.

Αυτή είναι μια σαφώς διαφορετική φιλοσοφία από τη διαρκώς πιο κοινή στρατηγική εφαρμογής ολοένα και μεγαλύτερων πολυμορφικών μοντέλων βάσης στον ήχο.

Η Modulate υποστηρίζει ότι η εξειδίκευση επιτρέπει στην αρχιτεκτονική της να παρέχει πιο διαφανή αποτελέσματα ενώ μειώνει την απαιτούμενη υπολογιστική ισχύ. Για επιχειρηματικές εφαρμογές όπως η ανίχνευση απάτης και η συμμόρφωση, η δυνατότητα κατανόησης του γιατί ένα σύστημα ενεργοποίησε μια ειδοποίηση μπορεί να είναι σχεδόν τόσο σημαντική όσο η ίδια η ειδοποίηση.

Σύμφωνα με την εταιρεία, η προσέγγιση μπορεί να είναι έως και 1.000 φορές πιο αποδοτική υπολογιστικά από τη χρήση ενός ενιαίου μεγάλου μοντέλου για ορισμένα φορτία ανάλυσης ήχου.

Voice AI Creates a New Monitoring Problem

Η χρονική στιγμή της χρηματοδότησης αντανακλά επίσης μια ευρύτερη αλλαγή που λαμβάνει χώρα στην επιχειρηματική AI.

Τα συστήματα AI γίνονται όλο και πιο ικανά να διεξάγουν πλήρεις φωνητικές συνομιλίες με πελάτες. Αυτό σημαίνει ότι οι εταιρείες πρέπει πλέον να παρακολουθούν αλληλεπιδράσεις που περιλαμβάνουν όχι μόνο ανθρώπινους υπαλλήλους, αλλά και αυτόνομους πράκτορες που λειτουργούν σε χιλιάδες ή ενδεχομένως εκατομμύρια συνομιλίες.

Ένας φωνητικός πράκτορας μπορεί τεχνικά να ακολουθεί ένα σενάριο, ενώ συνεχίζει να διακόπτει επανειλημμένα τους πελάτες, να μην αναγνωρίζει την απογοήτευση, να παρερμηνεύει την πρόθεση ή να ανταποκρίνεται άσχημα σε συναισθηματικές καταστάσεις.

Η Modulate βλέπει μια ευκαιρία να γίνει ένα ανεξάρτητο στρώμα ακρόασης που λειτουργεί παράλληλα με αυτούς τους πράκτορες.

Η τεχνολογία φωνητικού πράκτορα της έχει σχεδιαστεί για να εντοπίζει σήματα όπως διακοπές, διαλείμματα, συναισθήματα, προφορές και άλλα χαρακτηριστικά που είναι δύσκολο να καταγραφούν μόνο από το κείμενο, επιτρέποντας στους προγραμματιστές να προσαρμόζουν τη συμπεριφορά ενός πράκτορα ενώ οι συνομιλίες εξακολουθούν να διαρκούν.

Η ίδια υποδομή μπορεί να εφαρμοστεί σε ανθρώπινες συνομιλίες όπου οι οργανισμοί χρειάζονται την ταυτοποίηση απάτης, κινδύνων συμμόρφωσης, παρενόχλησης ή άλλων ενδεχομένως σημαντικών γεγονότων σε πραγματικό χρόνο.

From Gaming Moderation to Broader Voice Intelligence

Οι τρέχουσες φιλοδοξίες της Modulate αντιπροσωπεύουν μια σημαντική επέκταση από την προηγούμενη εστίασή της στο online gaming.

Ένα από τα πιο γνωστά προϊόντα της, ToxMod, αναπτύχθηκε για την ανάλυση ζωντανών φωνητικών επικοινωνιών σε πλατφόρμες gaming και κοινωνικής δικτύωσης και για την ταυτοποίηση παρενόχλησης, απειλών, εκμετάλλευσης ανηλίκων και άλλων επιβλαβών συμπεριφορών.

Αυτό παραμένει ένα σημαντικό κομμάτι της επιχείρησης. Η Modulate δηλώνει ότι το ToxMod μπορεί να ενσωματωθεί άμεσα στην υπάρχουσα φωνητική υποδομή, κατευθύνοντας πιθανές προβληματικές αλληλεπιδράσεις σε συστήματα διαχείρισης ή σε ανθρώπινους αξιολογητές.

Η εταιρεία έχει συνεργαστεί με κορυφαίες εταιρείες gaming, όπως η Activision, η Riot Games, η Rockstar Games και η Rec Room.

Ωστόσο, η υποκείμενη τεχνολογία που απαιτείται για την κατανόηση της τοξικότητας σε ένα παιχνίδι πολλαπλών παικτών μπορεί επίσης να προσαρμοστεί σε άλλα περιβάλλοντα όπου το πλαίσιο έχει σημασία.

Η Modulate τοποθετεί τώρα την τεχνολογία της σε τομείς όπως η πρόληψη απάτης, τα κέντρα εξυπηρέτησης, η επίβλεψη AI-πρακτόρων, η ανίχνευση deepfake, η εμπειρία πελατών και η ασφάλεια & εμπιστοσύνη.

Η πλατφόρμα προγραμματιστών της προσφέρει επί του παρόντος πολλαπλές οικογένειες μοντέλων που καλύπτουν τη μεταγραφή, την ανίχνευση deepfake, τη διαγραφή ήχου, την ευφυΐα συζητήσεων και άλλες δυνατότητες ανάλυσης ήχου.

Τα deepfakes προσθέτουν έναν ακόμη λόγο για την άμεση κατανόηση του ήχου

Συνθετική ομιλία γίνεται ένα ακόμη σημαντικό μέρος αυτής της ευκαιρίας.

Καθώς γίνονται όλο και πιο πειστικές οι τεχνολογίες κλωνοποίησης φωνής, οι οργανισμοί που διαχειρίζονται χρηματοοικονομικές συναλλαγές ή ευαίσθητες πληροφορίες πρέπει να καθορίζουν όχι μόνο τι λέει ο καλών, αλλά και αν η φωνή αυτή είναι αυθεντική.

Ως εκ τούτου, η Modulate έχει επεκταθεί στην ανίχνευση deepfake, συνδυάζοντας την ανάλυση συνθετικής φωνής με τις ευρύτερες πληροφορίες πλαισίου που διατίθενται μέσω των ηχητικών μοντέλων της.

Η εταιρεία δηλώνει ότι η τεχνολογία της αναλύει επί του παρόντος πάνω από 10 εκατομμύρια ώρες ήχου το μήνα και έχει επεξεργαστεί συνολικά πάνω από 600 εκατομμύρια ώρες.

Η επέκτασή της σε τομείς όπως η ανίχνευση μουσικής που δημιουργείται από AI δείχνει επίσης πόσο ευρέως θα μπορούσε να εφαρμοστεί η υποκείμενη αρχιτεκτονική συνόλου. Το σύστημα ανίχνευσης μουσικής της Modulate, για παράδειγμα, αξιολογεί ξεχωριστά την παρουσία μουσικής, φωνητικών που παράγονται από AI και οργάνων που δημιουργούνται από AI, προτού συνδυάσει τα σήματα σε ένα ερμηνεύσιμο αποτέλεσμα.

Η επόμενη πρόκληση για το Voice AI είναι η κατανόηση, όχι η ομιλία

Η επένδυση των 25 εκατομμυρίων δολαρίων παρέχει στην Modulate πρόσθετους πόρους για την επέκταση της έρευνας, της μηχανικής, των εργαλείων προγραμματιστών και των συνεργασιών της. Σε ευρύτερο πλαίσιο, αντικατοπτρίζει μια αυξανόμενη πρόκληση για το Voice AI: η φυσική ομιλία αποτελεί μόνο το ήμισυ μιας συνομιλίας.

Καθώς οι φωνητικοί πράκτορες εισέρχονται στην εξυπηρέτηση πελατών, την υγειονομική περίθαλψη, τις χρηματοοικονομικές υπηρεσίες και άλλους τομείς, τα συστήματα θα πρέπει να κατανοούν σήματα που συχνά λείπουν από τις μεταγραφές, όπως η απογοήτευση, η διστακτικότητα, η έμφαση, ο τόνος και η πιθανή συνθετική ομιλία.

Αυτό θα μπορούσε να δημιουργήσει ένα νέο επίπεδο νοημοσύνης γύρω από τις φωνητικές αλληλεπιδράσεις, βοηθώντας τα συστήματα να εντοπίζουν απάτες, να αναγνωρίζουν πότε οι πελάτες είναι δυσαρεστημένοι ή να εντοπίζουν πότε ένας AI πράκτορας παρερμηνεύει ή διαχειρίζεται λανθασμένα μια συνομιλία.

Ωστόσο, η τεχνολογία εγείρει επίσης ερωτήματα σχετικά με την ιδιωτικότητα, την ακρίβεια και τις προκαταλήψεις. Η εξαγωγή συναισθήματος ή πρόθεσης από την ομιλία είναι πιο υποκειμενική από τη μεταγραφή λέξεων, ιδιαίτερα μεταξύ διαφορετικών προφορών, γλωσσών και πολιτισμών.

Καθώς το AI γίνεται όλο και πιο ικανό να μιλάει όπως ένας άνθρωπος, το επόμενο όριο μπορεί να είναι η εκτίμηση του πόσο καλά μπορούν πραγματικά οι μηχανές να ακούνε — και πόσο υπεύθυνα χρησιμοποιούνται αυτές οι δυνατότητες.