Η Modulate εξασφαλίζει τη στήριξη της Twilio Ventures και επιταχύνει τον εντοπισμό φωνών που δημιουργούνται με ΤΝ

Η Modulate ανακοίνωσε νέες επενδύσεις από την Twilio Ventures και τον συνιδρυτή της Kayak, Paul English, καθώς επεκτείνει τις τεχνολογίες που μπορούν να χρησιμοποιούν οι επιχειρήσεις για να εντοπίζουν συνθετικές φωνές και να επιβλέπουν φωνητικούς πράκτορες ΤΝ. Η εταιρεία αναφέρει ότι τα πιο πρόσφατα μοντέλα της μπορούν να εντοπίσουν μια φωνή που έχει δημιουργηθεί από ΤΝ σε διάμεσο χρόνο 1,6 δευτερολέπτων, από 2,25 δευτερόλεπτα προηγουμένως, διατηρώντας παράλληλα ακρίβεια εντοπισμού άνω του 99,1% στις αξιολογήσεις της σε πραγματικές κλήσεις με φωνές ΤΝ και ανθρώπων.

Η επένδυση ακολουθεί τη χρηματοδότηση ύψους 25 εκατομμυρίων δολαρίων της Modulate, η οποία ανακοινώθηκε τον Σεπτέμβριο με επικεφαλής τη Future Ventures και τη συμμετοχή των Hyperplane και Lakestar. Η εταιρεία δεν έχει αποκαλύψει το ύψος των πρόσθετων επενδύσεων. Παράλληλα με τη χρηματοδότηση, προσθέτει στην πλατφόρμα Velma περισσότερα από δώδεκα σήματα που αντλούνται απευθείας από τον ήχο, ώστε οι επιχειρήσεις να κατανοούν ποιος —ή τι— καλεί, καθώς και πώς εξελίσσεται μια συνομιλία υπό την καθοδήγηση ΤΝ.

Η διάκριση αυτή αποκτά κεντρική σημασία για την αυτοματοποίηση φωνητικών υπηρεσιών. Μια συνθετική φωνή μπορεί να ανήκει σε έναν χρήσιμο βοηθό που κλείνει ένα ραντεβού ή σε μια κλωνοποιημένη φωνή που επιχειρεί να υποδυθεί κάποιον άλλον. Ο εντοπισμός ομιλίας που έχει δημιουργηθεί τεχνητά παρέχει ένα στοιχείο· για να αποφασίσει κανείς πώς θα χειριστεί την κλήση, χρειάζεται ευρύτερη εικόνα της συμπεριφοράς και του πλαισίου της.

Ταχύτερος εντοπισμός όσο η κλήση βρίσκεται ακόμη σε εξέλιξη

Η Modulate αναφέρει ότι η μείωση του διάμεσου χρόνου εντοπισμού επιτρέπει στις επιχειρήσεις να αναγνωρίζουν εγκαίρως τη συνθετική ομιλία, ώστε να δρομολογούν μια κλήση, να την επισημαίνουν για έλεγχο ή να εφαρμόζουν πρόσθετη επαλήθευση ενώ η συνομιλία συνεχίζεται. Το σύστημά της εξετάζει το ίδιο το ηχητικό σήμα, χωρίς να βασίζεται σε υδατογραφήματα που εισάγουν μεμονωμένοι πάροχοι δημιουργίας φωνής, ακόμη και στην περίπτωση νεότερων μοντέλων μετατροπής ομιλίας σε ομιλία και πλήρως αμφίδρομης επικοινωνίας.

Η μεταβολή από τα 2,25 στα 1,6 δευτερόλεπτα αντιστοιχεί σε μείωση περίπου 29% του διάμεσου χρόνου που αναφέρει η εταιρεία. Πρόκειται για μέτρηση του χρόνου εντοπισμού και όχι για εγγύηση ότι κάθε κλήση θα ταξινομείται μέσα σε αυτό το διάστημα ή ότι μια πλήρης ροή εργασιών ασφαλείας θα ολοκληρώνεται τόσο γρήγορα. Η ανακοίνωση δεν αναφέρει το μέγεθος του δείγματος αξιολόγησης ούτε παρέχει ανάλυση των ψευδώς θετικών και ψευδώς αρνητικών αποτελεσμάτων στα οποία βασίζεται το ποσοστό ακρίβειας άνω του 99,1%.

«Οι χειριστές κλήσεων —άνθρωποι ή πράκτορες ΤΝ— πρέπει να μπορούν να αναγνωρίζουν τι συμβαίνει σε αυτές τις συνομιλίες και να ανταποκρίνονται κατάλληλα όσο η αλληλεπίδραση βρίσκεται ακόμη σε εξέλιξη», δήλωσε ο Carter Huffman, διευθύνων σύμβουλος και συνιδρυτής της Modulate.

Για τα κέντρα επικοινωνίας, το επιχειρησιακό όφελος είναι η δυνατότητα παρέμβασης πριν ολοκληρωθεί μια συνομιλία. Μια προειδοποίηση που αποστέλλεται αφού έχει ήδη γίνει αλλαγή σε έναν λογαριασμό ή έχει αποκαλυφθεί ευαίσθητη πληροφορία εξυπηρετεί διαφορετικό σκοπό από ένα σήμα που είναι διαθέσιμο κατά τη διάρκεια της αλληλεπίδρασης.

Πώς συνδυάζει η Velma εξειδικευμένα μοντέλα ήχου

Η Velma χρησιμοποιεί αυτό που η Modulate αποκαλεί Μοντέλο Συνεκτικής Ακρόασης (Ensemble Listening Model, ELM): μια αρχιτεκτονική που συντονίζει εξειδικευμένα μοντέλα, αντί να βασίζεται αποκλειστικά σε ένα μοντέλο γενικής χρήσης για την ερμηνεία μιας απομαγνητοφώνησης. Η εταιρεία αναφέρει ότι το σύστημά της συνδυάζει περισσότερα από 100 μοντέλα, τα οποία καλύπτουν σήματα όπως το συναίσθημα, ο τόνος, η πρόθεση, ο ρυθμός ομιλίας, η συνθετική ομιλία και η συμπεριφορά κατά τη συνομιλία.

Η περιγραφή του προϊόντος εξηγεί ότι ένα επίπεδο ενορχήστρωσης συνδυάζει σήματα χαμηλότερου επιπέδου σε αξιολογήσεις υψηλότερου επιπέδου, διατηρώντας παράλληλα συνδέσμους προς τα υποκείμενα στοιχεία. Τα συμβάντα με χρονική σήμανση μπορούν να υποδείξουν σε ποιο σημείο άλλαξε η συνομιλία, δίνοντας στην ομάδα επιχειρησιακής λειτουργίας κάτι πιο συγκεκριμένο προς εξέταση από έναν ανεξήγητο δείκτη κινδύνου για ολόκληρη την κλήση.

Μια απομαγνητοφώνηση καταγράφει τις λέξεις, αλλά δεν διατηρεί κάθε παύση, διακοπή, αλλαγή έμφασης ή μοτίβο εκφοράς. Η προσέγγιση της Modulate προσθέτει ακουστικές πληροφορίες στην ανάλυση, ώστε οι προγραμματιστές να μπορούν να εξετάζουν πώς εξελίσσεται μια συνομιλία παράλληλα με το τι λένε οι συμμετέχοντες.

Η τεκμηρίωση της εταιρείας για τον εντοπισμό παραποιημένων φωνών αποσαφηνίζει αυτή τη διάκριση σε επίπεδο API. Περιγράφει την ακουστική ταξινόμηση τμημάτων ήχου, με χρονικά όρια, αποτελέσματα και βαθμούς εμπιστοσύνης, και υποστηρίζει τόσο ηχογραφημένα αρχεία όσο και ζωντανές ροές. Ο βαθμός εμπιστοσύνης ενός εντοπισμού αποτελεί στοιχείο υπέρ μιας ταξινόμησης και όχι απόδειξη της ταυτότητας ή των προθέσεων του καλούντος.

Η συνθετική ομιλία δεν είναι το ίδιο με την απάτη

Η Modulate διαχωρίζει ρητά αυτά τα ερωτήματα στον οδηγό της για τον εντοπισμό φωνητικής απάτης: ο εντοπισμός παραποιημένων φωνών εξετάζει αν μια φωνή είναι συνθετική, ενώ η ανάλυση συνομιλίας αξιολογεί τη συμπεριφορά. Ένας νόμιμος βοηθός ΤΝ μπορεί να χρησιμοποιεί συνθετική ομιλία· ένας άνθρωπος που καλεί μπορεί να επιχειρεί κοινωνική μηχανική χωρίς να χρησιμοποιεί καθόλου σύνθεση φωνής.

Η διάκριση αυτή έχει σημασία και για όσους χρησιμοποιούν υποστηρικτική τεχνολογία ομιλίας. Η επισήμανση μιας φωνής ως συνθετικής δεν αρκεί από μόνη της για να θεωρηθεί κακόβουλος ο καλών. Η Modulate αναφέρει ότι, στη νέα έκδοση, η Velma μπορεί να συνδυάζει αυτή την επισήμανση με σήματα που σχετίζονται με την πρόθεση, τη χειραγώγηση, τον τόνο και τη συμπεριφορά κατά τη συνομιλία, ώστε να υποστηρίζει πιο τεκμηριωμένο χειρισμό.

Στόχος στην πράξη είναι μια κλιμακωτή απόκριση: συνήθης δρομολόγηση για επιτρεπόμενες αυτοματοποιημένες διαδικασίες, πρόσθετη επαλήθευση όταν το δικαιολογεί μια συναλλαγή και κλιμάκωση όταν η συνομιλία παρουσιάζει ύποπτη συμπεριφορά. Το σύστημα εντοπισμού παρέχει στοιχεία· οι πολιτικές του οργανισμού καθορίζουν την απόκριση.

Παρακολούθηση της ποιότητας των φωνητικών πρακτόρων ΤΝ

Τα νέα σήματα της Velma στοχεύουν επίσης σε ένα λιγότερο εντυπωσιακό, αλλά εμπορικά σημαντικό πρόβλημα: ένας AI agent μπορεί να ακούγεται ευφραδής, ενώ προσφέρει κακή εξυπηρέτηση. Η Modulate αναφέρει ότι οι προσθήκες βοηθούν στην αξιολόγηση του χρόνου απόκρισης, της ποιότητας του ήχου και των παρανοήσεων στη συνομιλία, τις οποίες μπορεί να μην εντοπίζουν οι αναλύσεις που βασίζονται μόνο σε απομαγνητοφωνήσεις.

Στη σελίδα της για τις δικλίδες ασφαλείας της ΤΝ, η εταιρεία περιγράφει τη Velma ως σύστημα που παρακολουθεί τους συμμετέχοντες, αντί να λειτουργεί η ίδια ως συνομιλιακός agent. Οι πελάτες μπορούν να διαμορφώσουν την παρακολούθηση με βάση τις λειτουργικές διαδικασίες και την αναμενόμενη συμπεριφορά και, στη συνέχεια, να διοχετεύουν τα σήματα σε υπάρχοντα συστήματα μέσω API και webhook.

Έτσι διαχωρίζεται το σύστημα που συνομιλεί από εκείνο που αξιολογεί την αλληλεπίδραση. Οι ομάδες αποκτούν έναν τρόπο να διερευνούν πότε ένας agent προκαλεί εκνευρισμό, παραβιάζει την πολιτική ή δεν ανταποκρίνεται κατάλληλα, και να αξιοποιούν αυτά τα ευρήματα για να βελτιώνουν την υλοποίησή του.

Η στήριξη της Twilio ενισχύει μια ήδη υπάρχουσα σύνδεση

Η Twilio Ventures εστιάζει στην ΤΝ, στα εργαλεία για προγραμματιστές και στις επιχειρήσεις που δραστηριοποιούνται στον τομέα της αλληλεπίδρασης με πελάτες, γεγονός που καθιστά την ηχητική νοημοσύνη συναφή με το επενδυτικό της πεδίο. Η Modulate έχει ήδη τεχνική σύνδεση με την Twilio: σε ανακοίνωση του Μαΐου 2025 περιγράφηκε η συμβατότητα των προϊόντων VoiceVault και ToxMod με την πλατφόρμα, συμπεριλαμβανομένων API συμβατών με το Twilio Media Streams, για τη μεταφορά ήχου ζωντανών κλήσεων στα συστήματά της.

Η νέα επένδυση βασίζεται σε αυτή την προϋπάρχουσα σχέση, αν και η ανακοίνωση δεν θεμελιώνει νέα αποκλειστική συμφωνία διανομής. Η Modulate αναφέρει ότι τα κεφάλαια θα στηρίξουν την έρευνα, την ανάπτυξη προϊόντων, την υιοθέτηση από προγραμματιστές, τις συνεργασίες και περισσότερες επιλογές ανάπτυξης.

Η ανακοίνωση χρηματοδότησης του Σεπτεμβρίου έθεσε τις ίδιες προτεραιότητες στο επίκεντρο της επέκτασής της πέρα από τις παλαιότερες εφαρμογές ασφάλειας φωνής. Με αυτή την ενημέρωση, η εταιρεία φέρνει πιο κοντά τον εντοπισμό και την εποπτεία: βοηθά τις επιχειρήσεις να αναγνωρίζουν την παραγόμενη ομιλία, να εξετάζουν τη συμπεριφορά που τη συνοδεύει και να αξιολογούν αν οι δικοί τους φωνητικοί agent κάνουν τη δουλειά για την οποία προορίζονται.