Modulate Mendapat Dukungan Twilio Ventures dan Mempercepat Deteksi Suara AI

Modulate mengumumkan investasi baru dari Twilio Ventures dan Paul English, salah satu pendiri Kayak, seiring perusahaan ini memperluas teknologi yang dapat digunakan bisnis untuk mengidentifikasi penelepon bersuara sintetis dan memantau agen suara AI. Perusahaan menyatakan bahwa model terbarunya dapat mengidentifikasi suara yang dihasilkan AI dalam median 1,6 detik, lebih cepat dari 2,25 detik, dengan tetap mempertahankan akurasi deteksi di atas 99,1% dalam evaluasi panggilan AI dan manusia di dunia nyata.

Investasi ini menyusul pendanaan sebesar $25 juta yang diumumkan Modulate pada September, dipimpin oleh Future Ventures dengan partisipasi dari Hyperplane dan Lakestar. Perusahaan belum mengungkapkan nilai investasi tambahan tersebut. Bersamaan dengan pendanaan itu, perusahaan menambahkan lebih dari selusin sinyal berbasis audio ke platform Velma untuk membantu perusahaan memahami siapa—atau apa—yang menelepon dan bagaimana percakapan yang dipandu AI berlangsung.

Pembedaan ini semakin penting dalam otomatisasi suara. Penelepon bersuara sintetis bisa saja berupa asisten berguna yang membuat janji temu, atau suara tiruan yang digunakan untuk menyamar sebagai orang lain. Mendeteksi ucapan yang dihasilkan AI memberikan satu bukti; menentukan tindakan terhadap panggilan tersebut memerlukan pemahaman yang lebih luas tentang perilaku dan konteksnya.

Deteksi Lebih Cepat Saat Panggilan Masih Berlangsung

Menurut Modulate, pengurangan median waktu deteksi memungkinkan bisnis mengidentifikasi ucapan sintetis cukup dini untuk mengalihkan panggilan, menandainya agar ditinjau, atau menerapkan verifikasi tambahan selagi percakapan berlanjut. Sistemnya menganalisis audio yang mendasari panggilan tanpa bergantung pada tanda air yang disisipkan oleh masing-masing penyedia teknologi pembuat suara, termasuk pada model ucapan-ke-ucapan dan dupleks penuh yang lebih baru.

Perubahan dari 2,25 menjadi 1,6 detik berarti pengurangan sekitar 29% pada median yang dilaporkan perusahaan. Angka ini mengukur waktu deteksi, bukan jaminan bahwa setiap panggilan akan diklasifikasikan dalam rentang tersebut atau bahwa seluruh alur kerja keamanan akan selesai secepat itu. Pengumuman tersebut tidak mencantumkan ukuran sampel evaluasi atau perincian positif palsu dan negatif palsu yang mendasari angka akurasi lebih dari 99,1%.

“Operator panggilan—manusia maupun agen AI—harus mampu mengenali apa yang terjadi dalam percakapan tersebut dan merespons dengan tepat selagi interaksi masih berlangsung,” kata Carter Huffman, CEO sekaligus salah satu pendiri Modulate.

Bagi pusat kontak, manfaat operasionalnya adalah kesempatan untuk melakukan intervensi sebelum percakapan berakhir. Peringatan yang diberikan setelah perubahan akun atau pengungkapan informasi sensitif terjadi memiliki fungsi berbeda dari sinyal yang tersedia saat interaksi berlangsung.

Cara Velma Memadukan Model Audio Khusus

Velma menggunakan apa yang disebut Modulate sebagai Model Mendengarkan Ensembel, atau ELM: arsitektur yang mengoordinasikan model-model khusus, alih-alih sepenuhnya mengandalkan satu model serbaguna untuk menafsirkan transkrip. Perusahaan menyatakan bahwa sistemnya memadukan lebih dari 100 model yang mencakup sinyal seperti emosi, nada bicara, maksud, irama bicara, ucapan sintetis, dan perilaku percakapan.

Deskripsi produknya menjelaskan bahwa lapisan orkestrasi menggabungkan sinyal tingkat rendah menjadi penilaian tingkat lebih tinggi, sekaligus mempertahankan tautan ke bukti yang mendasarinya. Peristiwa bertanda waktu dapat menunjukkan bagian ketika percakapan berubah, sehingga tim operasional memiliki hal spesifik untuk ditinjau, bukan sekadar skor risiko panggilan tanpa penjelasan.

Transkrip merekam kata-kata, tetapi tidak menangkap setiap jeda, interupsi, perubahan penekanan, atau pola penyampaian. Pendekatan Modulate menambahkan informasi akustik ke dalam analisis agar pengembang dapat memeriksa bagaimana percakapan berlangsung, selain apa yang dikatakan para pesertanya.

Dokumentasi deteksi deepfake perusahaan ini menunjukkan pembedaan tersebut pada tingkat API. Dokumentasi itu menjelaskan klasifikasi akustik pada segmen audio, lengkap dengan batas waktu, hasil klasifikasi, dan skor keyakinan, serta mendukung file rekaman dan siaran langsung. Skor keyakinan deteksi merupakan bukti untuk suatu klasifikasi, bukan bukti identitas atau niat penelepon.

Ucapan Sintetis Tidak Sama dengan Penipuan

Dalam panduan penyaringan penipuan suara, Modulate secara tegas memisahkan kedua pertanyaan ini: deteksi deepfake menilai apakah suara bersifat sintetis, sedangkan analisis percakapan menilai perilaku. Asisten AI yang sah dapat menggunakan ucapan yang dihasilkan AI; penelepon manusia dapat mencoba melakukan rekayasa sosial tanpa menggunakan sintesis suara.

Pembedaan ini juga penting bagi orang yang menggunakan teknologi bantu bicara. Penanda suara sintetis saja tidak cukup untuk menyimpulkan bahwa penelepon berniat jahat. Dalam rilis terbaru, Modulate menyatakan Velma dapat memadukan penanda tersebut dengan sinyal yang berkaitan dengan maksud, manipulasi, nada bicara, dan perilaku percakapan untuk mendukung penanganan yang lebih terinformasi.

Tujuan praktisnya adalah menerapkan respons bertahap: mengalihkan panggilan seperti biasa untuk otomatisasi yang diizinkan, melakukan verifikasi tambahan jika suatu transaksi memerlukannya, dan meneruskan kasus ke tingkat penanganan lebih tinggi ketika percakapan menunjukkan perilaku mencurigakan. Sistem deteksi menyediakan bukti; kebijakan organisasi menentukan responsnya.

Memantau Kualitas Agen Suara AI

Sinyal Velma yang baru juga menyasar masalah yang tidak terlalu dramatis, tetapi penting secara komersial: agen AI dapat terdengar fasih sekalipun memberikan pengalaman layanan yang buruk. Menurut Modulate, penambahan ini membantu mengevaluasi ketepatan waktu respons, kualitas audio, dan kesalahpahaman dalam percakapan yang mungkin luput dari analitik yang hanya mengandalkan transkrip.

Di halaman panduan pengamanan AI, perusahaan tersebut menjelaskan bahwa Velma memantau para peserta, alih-alih bertindak sebagai agen percakapan itu sendiri. Pelanggan dapat mengonfigurasi pemantauan berdasarkan prosedur operasional dan perilaku yang diharapkan, lalu mengirimkan sinyal ke sistem yang sudah ada melalui API dan webhook.

Dengan demikian, sistem yang berbicara terpisah dari sistem yang menilai interaksi. Hal ini memberi tim cara untuk menyelidiki situasi ketika agen membuat orang frustrasi, melanggar kebijakan, atau gagal merespons dengan tepat, serta menggunakan temuan tersebut untuk meningkatkan penerapannya.

Dukungan Twilio Memperkuat Hubungan yang Sudah Terjalin

Twilio Ventures berfokus pada AI, perangkat pengembang, dan bisnis yang bergerak di bidang keterlibatan pelanggan, sehingga kecerdasan audio relevan dengan cakupan investasinya. Modulate telah memiliki hubungan teknis dengan Twilio: pengumuman Mei 2025 menjelaskan kompatibilitas produk VoiceVault dan ToxMod, termasuk API yang kompatibel dengan Twilio Media Streams untuk membawa audio panggilan langsung ke sistemnya.

Investasi baru ini dibangun di atas hubungan tersebut, meskipun pengumuman itu tidak menetapkan adanya perjanjian distribusi eksklusif yang baru. Modulate menyatakan bahwa dana tersebut akan mendukung penelitian, pengembangan produk, adopsi oleh pengembang, kemitraan, dan opsi penerapan yang lebih luas.

Pengumuman pendanaan pada September menempatkan prioritas yang sama sebagai inti ekspansinya di luar aplikasi keselamatan suara sebelumnya. Dengan pembaruan ini, perusahaan tersebut semakin mendekatkan deteksi dan pengawasan: membantu perusahaan mengenali ucapan yang dihasilkan, memeriksa perilaku yang menyertainya, dan menilai apakah agen suara mereka sendiri menjalankan tugas sebagaimana mestinya.