Modulate saa Twilio Venturesilta rahoitustukea ja nopeuttaa tekoälyäänen tunnistusta

Modulate on ilmoittanut uusista sijoituksista, joita ovat tehneet Twilio Ventures ja Kayakin perustajiin kuuluva Paul English. Yhtiö laajentaa samalla teknologiaa, jonka avulla yritykset voivat tunnistaa synteettisiä soittajia ja valvoa tekoälypohjaisia ääniagentteja. Yhtiön mukaan sen uusimmat mallit tunnistavat tekoälyn tuottaman äänen mediaanissa 1,6 sekunnissa, kun aiemmin aikaa kului 2,25 sekuntia. Tunnistustarkkuus pysyy yli 99,1 prosentissa yhtiön käytännön tekoäly- ja ihmiskeskusteluja sisältävässä arvioinnissa.

Sijoitus seuraa Modulaten syyskuussa julkistamaa 25 miljoonan dollarin rahoituskierrosta, jota johti Future Ventures ja johon osallistuivat Hyperplane ja Lakestar. Yhtiö ei ole kertonut lisäsijoitusten suuruutta. Rahoituksen ohella se lisää Velma-alustalleen yli tusinan verran äänen ominaisuuksia mittaavia signaaleja, joiden avulla yritykset voivat selvittää sekä sen, kuka tai mikä niille soittaa, että sen, miten tekoälyn ohjaama keskustelu etenee.

Tämä ero on nousemassa keskeiseksi ääniavusteisessa automaatiossa. Synteettistä ääntä käyttävä soittaja voi olla hyödyllinen ajanvarausta tekevä avustaja tai toisena henkilönä esiintymiseen pyrkivä kloonattu ääni. Puheen synteettisyyden tunnistaminen antaa yhden todisteen; päätös siitä, miten puheluun tulisi reagoida, edellyttää laajempaa käsitystä soittajan käyttäytymisestä ja tilanteen taustasta.

Nopeampi tunnistus puhelun aikana

Modulaten mukaan tunnistusajan mediaanin lyheneminen auttaa yrityksiä havaitsemaan synteettisen puheen riittävän varhain, jotta ne voivat ohjata puhelun eteenpäin, merkitä sen tarkistettavaksi tai vaatia lisävarmennusta keskustelun jatkuessa. Järjestelmä analysoi äänen ominaisuuksia eikä ole riippuvainen yksittäisten puhetta tuottavien palveluntarjoajien lisäämistä vesileimoista. Tämä koskee myös uudempia puheesta puheeksi -malleja ja full-duplex-malleja.

Muutos 2,25 sekunnista 1,6 sekuntiin merkitsee yhtiön ilmoittaman mediaanin pienenemistä noin 29 prosentilla. Kyse on tunnistusajasta, eikä se takaa, että jokainen puhelu luokitellaan kyseisessä ajassa tai että koko tietoturvan toimintaketju valmistuu yhtä nopeasti. Tiedotteessa ei kerrota arviointiaineiston kokoa eikä sitä, miten yli 99,1 prosentin tarkkuus jakautuu vääriin positiivisiin ja vääriin negatiivisiin tuloksiin.

”Puheluiden käsittelijöiden – ihmisten tai tekoälyagenttien – on pystyttävä tunnistamaan, mitä keskusteluissa tapahtuu, ja reagoimaan asianmukaisesti vuorovaikutuksen ollessa vielä käynnissä”, sanoi Modulaten toimitusjohtaja ja toinen perustaja Carter Huffman.

Yhteyskeskuksille toiminnallinen hyöty on mahdollisuus puuttua tilanteeseen ennen keskustelun päättymistä. Varoitus, joka saadaan vasta tilimuutoksen tai arkaluonteisten tietojen paljastumisen jälkeen, palvelee eri tarkoitusta kuin vuorovaikutuksen aikana saatava signaali.

Näin Velma yhdistää erikoistuneet äänimallit

Velma käyttää Modulaten mukaan yhdistelmäkuuntelumallia eli ELM-arkkitehtuuria, jossa erikoistuneet mallit toimivat yhdessä sen sijaan, että keskustelun tulkinta perustuisi kokonaan yhteen yleiskäyttöiseen malliin. Yhtiön mukaan järjestelmä yhdistää yli 100 mallia, jotka tunnistavat esimerkiksi tunteita, sävyä, aikomuksia, puheen rytmiä, synteettistä puhetta ja keskustelun käyttäytymismalleja.

Tuotekuvauksen mukaan orkestrointikerros yhdistää alemman tason signaaleja ylemmän tason arvioiksi ja säilyttää samalla yhteydet niiden taustalla olevaan näyttöön. Aikaleimalliset tapahtumat voivat osoittaa, missä kohtaa keskustelu muuttui, jolloin operatiivisella tiimillä on tarkasteltavana jotakin konkreettisempaa kuin selittämätön puhelukohtainen riskipistemäärä.

Litterointi tallentaa sanat, mutta siitä eivät käy ilmi kaikki tauot, keskeytykset, painotuksen muutokset tai puheen esittämistavat. Modulaten lähestymistapa lisää analyysiin akustista tietoa, jotta kehittäjät voivat tarkastella keskustelun etenemistä sen rinnalla, mitä osallistujat sanovat.

Yhtiön syväväärennösten tunnistuksen dokumentaatio havainnollistaa tätä eroa API-tasolla. Siinä kuvataan ääniosuuksien akustista luokittelua aikarajoineen, tuloksineen ja luottamusarvioineen, ja se tukee sekä tallennettuja tiedostoja että suoria äänivirtoja. Tunnistuksen luottamusarvio on luokittelua tukevaa näyttöä, ei todiste soittajan henkilöllisyydestä tai aikeista.

Synteettinen puhe ei ole sama asia kuin petos

Modulate erottaa nämä kysymykset selvästi äänihuijausten seulontaoppaassaan: syväväärennösten tunnistuksessa arvioidaan, onko ääni synteettinen, kun taas keskusteluanalyysissa tarkastellaan käyttäytymistä. Laillinen tekoälyavustaja voi käyttää synteettistä puhetta, ja ihminen voi yrittää manipuloida toista sosiaalisesti ilman äänen synteesiä.

Tämä ero on tärkeä myös puhetta tukevan teknologian käyttäjille. Pelkkä synteettisestä äänestä kertova merkintä ei riitä perusteeksi pitää soittajaa pahantahtoisena. Uudessa julkaisussa Velma voi Modulaten mukaan yhdistää merkinnän aikomukseen, manipulointiin, sävyyn ja keskustelun käyttäytymiseen liittyviin signaaleihin, jotta tilanteita voidaan käsitellä harkitummin.

Käytännön tavoitteena on asteittainen reagointi: sallittua automaatiota ohjataan tavanomaisesti, lisävarmennusta käytetään sitä vaativissa maksutapahtumissa ja keskustelu siirretään eteenpäin, jos siinä ilmenee epäilyttävää käyttäytymistä. Tunnistusjärjestelmä tuottaa näyttöä; organisaation käytännöt ratkaisevat, miten siihen reagoidaan.

Tekoälypohjaisten ääniagenttien laadun seuranta

Uudet Velma-signaalit kohdistuvat myös vähemmän dramaattiseen mutta kaupallisesti tärkeään ongelmaan: tekoälyagentti voi kuulostaa sujuvalta, vaikka palvelukokemus olisi huono. Modulate kertoo, että lisäysten avulla voidaan arvioida vastausten ajoitusta, äänenlaatua ja keskustelun väärinymmärryksiä, jotka saattavat jäädä pelkkiin litterointeihin perustuvalta analytiikalta huomaamatta.

Tekoälyn suojakaiteita käsittelevällä sivullaan yritys kuvaa Velman valvovan keskustelun osapuolia sen sijaan, että se itse toimisi keskusteluagenttina. Asiakkaat voivat määrittää valvonnan toimintamenettelyjen ja odotetun käyttäytymisen perusteella ja välittää sitten signaalit olemassa oleviin järjestelmiinsä API-rajapintojen ja webhookien kautta.

Näin järjestelmä, joka käy keskustelua, erotetaan vuorovaikutusta arvioivasta järjestelmästä. Tiimit voivat selvittää, missä agentti aiheuttaa turhautumista, toimii käytäntöjen vastaisesti tai ei vastaa asianmukaisesti, ja hyödyntää havaintoja käyttöönoton parantamiseen.

Twilion rahoitustuki rakentuu olemassa olevan yhteyden varaan

Twilio Ventures keskittyy tekoälyyn, kehittäjätyökaluihin ja asiakasvuorovaikutukseen liittyviin yrityksiin, joten ääniäly sopii sen sijoituskohteisiin. Modulatella on jo tekninen yhteys Twilioon: Toukokuussa 2025 julkaistussa ilmoituksessa kerrottiin sen VoiceVault- ja ToxMod-tuotteiden yhteensopivuudesta sekä Twilio Media Streams -yhteensopivista API-rajapinnoista, joiden avulla puheluiden reaaliaikainen ääni voidaan tuoda sen järjestelmiin.

Uusi sijoitus jatkaa tätä kehitystä, vaikka ilmoituksessa ei vahvisteta uutta yksinoikeudellista jakelusopimusta. Modulate kertoo, että pääomalla tuetaan tutkimusta, tuotekehitystä, kehittäjien käyttöönottoa, kumppanuuksia ja laajempia käyttöönottovaihtoehtoja.

Syyskuun rahoitusilmoituksessa nämä samat painopisteet nostettiin keskeiseen asemaan, kun yritys laajensi toimintaansa aiempia puheturvallisuussovelluksia laajemmalle. Tällä päivityksellä yritys tuo tunnistamisen ja valvonnan lähemmäs toisiaan: sen avulla organisaatiot voivat tunnistaa tekoälyn tuottaman puheen, tarkastella siihen liittyvää käyttäytymistä ja arvioida, hoitavatko niiden omat puheagentit niille tarkoitetun tehtävän.