Modulate bénéficie du soutien de Twilio Ventures et accélère la détection des voix générées par l’IA

Modulate a annoncé de nouveaux investissements de Twilio Ventures et de Paul English, cofondateur de Kayak, alors qu’elle développe les technologies permettant aux entreprises d’identifier les appelants synthétiques et de superviser les agents vocaux d’IA. L’entreprise affirme que ses derniers modèles peuvent détecter une voix générée par l’IA en 1,6 seconde en médiane, contre 2,25 secondes auparavant, tout en maintenant une précision de détection supérieure à 99,1 % lors de son évaluation d’appels réels impliquant des voix humaines et générées par l’IA.

Cet investissement fait suite au financement de 25 millions de dollars annoncé par Modulate en septembre, mené par Future Ventures avec la participation de Hyperplane et Lakestar. L’entreprise n’a pas communiqué le montant des investissements supplémentaires. Parallèlement au financement, elle ajoute à sa plateforme Velma plus d’une douzaine de signaux audio natifs afin d’aider les entreprises à comprendre qui — ou quoi — les appelle, ainsi que le déroulement d’une conversation menée par une IA.

Cette distinction devient essentielle dans l’automatisation des interactions vocales. Un appelant synthétique peut être un assistant utile qui prend rendez-vous, ou une voix clonée utilisée pour usurper une identité. Détecter une parole générée fournit un élément de preuve ; décider de la marche à suivre pour l’appel nécessite une vision plus large de son comportement et de son contexte.

Détecter plus vite pendant que l’appel est en cours

Modulate affirme que la réduction du délai médian de détection permet aux entreprises de repérer suffisamment tôt une parole synthétique pour transférer un appel, le signaler en vue d’un examen ou appliquer des vérifications supplémentaires pendant que la conversation se poursuit. Son système analyse le signal audio lui-même, sans dépendre de filigranes insérés par les fournisseurs de technologies de génération vocale, y compris pour les nouveaux modèles de conversion parole-parole et les modèles en duplex intégral.

Le passage de 2,25 à 1,6 seconde correspond à une réduction d’environ 29 % de la médiane déclarée par l’entreprise. Il s’agit d’une mesure du délai de détection, et non d’une garantie que chaque appel sera classé dans cet intervalle ou qu’un processus de sécurité complet sera exécuté aussi rapidement. L’annonce ne précise ni la taille de l’échantillon évalué ni la répartition entre faux positifs et faux négatifs à l’origine du taux de précision supérieur à 99,1 %.

« Les opérateurs d’appel — humains ou agents d’IA — doivent pouvoir reconnaître ce qui se passe au cours de ces conversations et réagir de manière appropriée tant que l’interaction est en cours », a déclaré Carter Huffman, PDG et cofondateur de Modulate.

Pour les centres de contact, l’intérêt opérationnel est de pouvoir intervenir avant la fin d’une conversation. Une alerte reçue après un changement de compte ou la divulgation d’informations sensibles n’a pas la même utilité qu’un signal disponible pendant l’interaction.

Comment Velma associe des modèles audio spécialisés

Velma utilise ce que Modulate appelle un modèle d’écoute en ensemble, ou ELM, une architecture qui coordonne des modèles spécialisés au lieu de s’appuyer entièrement sur un seul modèle généraliste pour interpréter une transcription. L’entreprise affirme que son système rassemble plus de 100 modèles couvrant des signaux tels que l’émotion, le ton, l’intention, le rythme, la parole synthétique et le comportement conversationnel.

La description du produit explique qu’une couche d’orchestration combine des signaux de bas niveau pour produire des évaluations de plus haut niveau, tout en conservant des liens vers les éléments de preuve sous-jacents. Des événements horodatés peuvent indiquer à quel moment une conversation a changé, offrant ainsi à une équipe opérationnelle des éléments plus précis à examiner qu’un score de risque inexpliqué attribué à l’ensemble de l’appel.

Une transcription restitue les mots, mais pas toutes les pauses, interruptions, variations d’accentuation ou caractéristiques de l’élocution. L’approche de Modulate ajoute des informations acoustiques à l’analyse afin que les développeurs puissent examiner le déroulement d’une conversation en plus de ce que disent les participants.

La documentation sur la détection des hypertrucages de l’entreprise illustre cette distinction au niveau de l’API. Elle décrit la classification acoustique de segments audio, avec leurs limites temporelles, des verdicts et des scores de confiance, et prend en charge les fichiers enregistrés comme les flux en direct. Un score de confiance associé à une détection constitue un élément en faveur d’une classification, et non une preuve de l’identité ou des intentions de l’appelant.

La parole synthétique n’est pas synonyme de fraude

Dans son guide de filtrage des fraudes vocales, Modulate distingue explicitement ces deux questions : la détection des hypertrucages vise à déterminer si une voix est synthétique, tandis que l’analyse des conversations porte sur le comportement. Un assistant d’IA légitime peut utiliser une voix générée ; un appelant humain peut tenter une manipulation par ingénierie sociale sans recourir à la synthèse vocale.

Cette distinction importe également aux personnes qui utilisent des technologies d’assistance à la parole. Le seul fait qu’une voix soit signalée comme synthétique ne suffit pas à considérer un appelant comme malveillant. Dans cette nouvelle version, Modulate affirme que Velma peut associer ce signal à des indicateurs liés à l’intention, à la manipulation, au ton et au comportement conversationnel afin de permettre un traitement mieux éclairé.

L’objectif pratique est d’apporter une réponse graduée : un acheminement ordinaire pour les automatisations autorisées, des vérifications supplémentaires lorsqu’une transaction le justifie et une escalade lorsque la conversation présente un comportement suspect. Le système de détection fournit des éléments de preuve ; les politiques de l’organisation déterminent la réponse.

Surveiller la qualité des agents vocaux d’IA

Les nouveaux signaux de Velma ciblent également un problème moins spectaculaire, mais important sur le plan commercial : un agent d’IA peut s’exprimer avec fluidité tout en offrant une expérience de service médiocre. Modulate indique que ces ajouts aident à évaluer le délai de réponse, la qualité audio et les malentendus dans la conversation, que les analyses fondées uniquement sur les transcriptions peuvent ne pas détecter.

Sur sa page consacrée aux garde-fous de l’IA, l’entreprise décrit Velma comme un système qui surveille les participants plutôt que d’agir elle-même comme agent conversationnel. Les clients peuvent configurer la surveillance en fonction de leurs procédures opérationnelles et des comportements attendus, puis transmettre les signaux à leurs systèmes existants par l’intermédiaire d’API et de webhooks.

Le système qui mène la conversation est ainsi distinct de celui qui évalue l’interaction. Les équipes disposent d’un moyen d’enquêter sur les situations où un agent suscite de la frustration, enfreint les règles ou ne répond pas de manière appropriée, puis d’utiliser ces constats pour améliorer son déploiement.

Le soutien de Twilio s’inscrit dans le prolongement d’une relation déjà établie

Twilio Ventures s’intéresse à l’IA, aux outils pour développeurs et aux entreprises spécialisées dans l’engagement client, ce qui rend l’intelligence audio pertinente au regard de son mandat d’investissement. Modulate entretient déjà des liens techniques avec Twilio : une annonce de mai 2025 faisait état de la compatibilité de ses produits VoiceVault et ToxMod, notamment avec des API compatibles avec Twilio Media Streams, permettant d’intégrer l’audio des appels en direct à ses systèmes.

Ce nouvel investissement s’inscrit dans le prolongement de cette relation, même si l’annonce ne fait état d’aucun nouvel accord exclusif de distribution. Modulate indique que les fonds serviront à soutenir la recherche, le développement de produits, l’adoption par les développeurs, les partenariats et l’élargissement des options de déploiement.

L’annonce de financement de septembre avait placé ces mêmes priorités au cœur de son expansion au-delà de ses premières applications consacrées à la sécurité vocale. Avec cette mise à jour, l’entreprise rapproche détection et supervision : elle aide les entreprises à reconnaître les paroles générées, à examiner le comportement associé et à évaluer si leurs propres agents vocaux remplissent bien le rôle prévu.