Modulate suma el respaldo de Twilio Ventures y acelera la detección de voces generadas por IA

Modulate anunció nuevas inversiones de Twilio Ventures y de Paul English, cofundador de Kayak, mientras amplía las tecnologías que las empresas pueden usar para identificar a quienes llaman con voces sintéticas y supervisar agentes de voz con IA. La empresa afirma que sus modelos más recientes pueden identificar una voz generada por IA en una mediana de 1,6 segundos, frente a los 2,25 segundos anteriores, y mantener una precisión de detección superior al 99,1 % en su evaluación de llamadas reales realizadas por IA y por personas.

La inversión se suma a la financiación de 25 millones de dólares que Modulate anunció en septiembre, liderada por Future Ventures y con la participación de Hyperplane y Lakestar. La empresa no ha revelado el importe de las inversiones adicionales. Junto con la financiación, está incorporando a su plataforma Velma más de una docena de señales basadas en audio para ayudar a las empresas a entender quién —o qué— llama y cómo se desarrolla una conversación dirigida por IA.

Esta distinción es cada vez más importante para la automatización de voz. Una persona que llama con voz sintética podría ser un asistente útil que concierta una cita o una voz clonada que intenta hacerse pasar por otra persona. Detectar el habla generada aporta una parte de la evidencia; decidir qué hacer con la llamada requiere una perspectiva más amplia de su comportamiento y contexto.

Detección más rápida mientras la llamada sigue en curso

Modulate afirma que la reducción del tiempo mediano de detección permite a las empresas identificar el habla sintética con suficiente antelación para transferir una llamada, marcarla para revisión o aplicar verificaciones adicionales mientras continúa la conversación. Su sistema analiza el audio subyacente sin depender de marcas de agua insertadas por proveedores concretos de generación de voz, incluso en modelos más recientes de voz a voz y dúplex completo.

El cambio de 2,25 a 1,6 segundos representa una reducción de aproximadamente el 29 % en la mediana comunicada por la empresa. Se trata de una medida del tiempo de detección, no de una garantía de que todas las llamadas se clasifiquen dentro de ese intervalo ni de que un flujo de trabajo de seguridad completo finalice con esa rapidez. El anuncio no indica el tamaño de la muestra evaluada ni desglosa los falsos positivos y los falsos negativos que sustentan la cifra de precisión superior al 99,1 %.

«Quienes gestionan las llamadas —personas o agentes de IA— deben poder reconocer lo que ocurre en esas conversaciones y responder adecuadamente mientras la interacción sigue en curso», afirmó Carter Huffman, director ejecutivo y cofundador de Modulate.

Para los centros de contacto, el beneficio operativo consiste en poder intervenir antes de que termine una conversación. Una alerta que llega después de que ya se haya modificado una cuenta o revelado información confidencial cumple una función distinta de una señal disponible durante la interacción.

Cómo Velma combina modelos de audio especializados

Velma utiliza lo que Modulate denomina un modelo de escucha en conjunto, o ELM: una arquitectura que coordina modelos especializados, en lugar de depender por completo de un único modelo de propósito general para interpretar una transcripción. La empresa afirma que su sistema reúne más de 100 modelos que abarcan señales como la emoción, el tono, la intención, la cadencia, el habla sintética y el comportamiento conversacional.

La descripción del producto explica que una capa de orquestación combina señales de nivel inferior para generar evaluaciones de nivel superior, a la vez que mantiene los vínculos con las pruebas subyacentes. Los eventos con marca de tiempo pueden indicar en qué momento cambió una conversación, lo que da al equipo de operaciones un elemento más concreto que revisar que una puntuación de riesgo de la llamada sin explicación.

Una transcripción recoge las palabras, pero no conserva todas las pausas, interrupciones, variaciones de énfasis ni formas de expresarse. El enfoque de Modulate incorpora información acústica al análisis para que los desarrolladores puedan examinar cómo transcurre una conversación, además de lo que dicen sus participantes.

La documentación sobre detección de ultrafalsificaciones de la empresa ilustra esta distinción en el nivel de la API. Describe la clasificación acústica de segmentos de audio, con límites temporales, veredictos y puntuaciones de confianza, y admite tanto archivos grabados como transmisiones en directo. Una puntuación de confianza de detección constituye evidencia para una clasificación, no una prueba de la identidad ni de las intenciones de quien llama.

El habla sintética no es lo mismo que el fraude

En su guía de detección de fraude por voz, Modulate distingue explícitamente estas dos cuestiones: la detección de ultrafalsificaciones evalúa si una voz es sintética, mientras que el análisis de conversaciones evalúa el comportamiento. Un asistente legítimo de IA puede usar habla generada; quien llama puede ser una persona que intenta manipular a alguien mediante ingeniería social sin recurrir a la síntesis de voz.

Esta distinción también es importante para las personas que utilizan tecnologías de voz asistida. Marcar una voz como sintética no basta para considerar malintencionada a la persona que llama. En la nueva versión, Modulate afirma que Velma puede combinar esa señal con otras asociadas a la intención, la manipulación, el tono y el comportamiento conversacional para facilitar una gestión mejor fundamentada.

El objetivo práctico es ofrecer una respuesta gradual: derivar las llamadas de forma habitual cuando la automatización esté permitida, exigir verificaciones adicionales cuando la transacción lo justifique y escalar los casos en que la conversación presente comportamientos sospechosos. El sistema de detección aporta pruebas; la respuesta depende de las políticas de la organización.

Supervisión de la calidad de los agentes de voz con IA

Las nuevas señales de Velma también abordan un problema menos llamativo, pero importante desde el punto de vista comercial: un agente de IA puede expresarse con fluidez y, aun así, ofrecer una experiencia de servicio deficiente. Modulate afirma que estas incorporaciones ayudan a evaluar los tiempos de respuesta, la calidad del audio y los malentendidos en la conversación que los análisis basados únicamente en transcripciones pueden pasar por alto.

En su página sobre medidas de protección de la IA, la empresa describe Velma como una herramienta que supervisa a los participantes, en lugar de actuar ella misma como agente conversacional. Los clientes pueden configurar la supervisión según sus procedimientos operativos y el comportamiento esperado, y luego enviar señales a los sistemas existentes mediante API y webhooks.

Así se distingue entre el sistema que conversa y el que evalúa la interacción. Esto permite a los equipos investigar en qué casos un agente provoca frustración, incumple las políticas o no responde adecuadamente, y aprovechar esos hallazgos para mejorar su implementación.

El respaldo de Twilio se suma a una relación ya existente

Twilio Ventures se centra en la IA, las herramientas para desarrolladores y las empresas de interacción con clientes, por lo que la inteligencia de audio encaja en su ámbito de inversión. Modulate ya mantiene una conexión técnica con Twilio: un anuncio de mayo de 2025 describió la compatibilidad de sus productos VoiceVault y ToxMod, incluidas las API compatibles con Twilio Media Streams para incorporar audio de llamadas en directo a sus sistemas.

Esta nueva inversión se suma a esa trayectoria, aunque el anuncio no establece un nuevo acuerdo de distribución exclusiva. Modulate afirma que el capital respaldará la investigación, el desarrollo de productos, la adopción por parte de los desarrolladores, las asociaciones y la ampliación de las opciones de implementación.

El anuncio de financiación de septiembre situó esas mismas prioridades en el centro de su expansión más allá de las aplicaciones anteriores de seguridad de voz. Con esta actualización, la empresa acerca la detección y la supervisión: ayuda a las empresas a reconocer el habla generada, examinar el comportamiento asociado y evaluar si sus propios agentes de voz están cumpliendo el propósito previsto.