Modulate riceve il sostegno di Twilio Ventures e accelera il rilevamento delle voci generate dall’IA

Modulate ha annunciato nuovi investimenti da parte di Twilio Ventures e di Paul English, cofondatore di Kayak, mentre amplia le tecnologie che le aziende possono utilizzare per identificare chi chiama con una voce sintetica e supervisionare gli agenti vocali di IA. L’azienda afferma che i suoi modelli più recenti sono in grado di identificare una voce generata dall’IA in una mediana di 1,6 secondi, rispetto ai 2,25 secondi precedenti, mantenendo un’accuratezza di rilevamento superiore al 99,1% nelle valutazioni di chiamate reali con voci generate dall’IA e voci umane.

L’investimento segue il finanziamento da 25 milioni di dollari annunciato da Modulate a settembre, guidato da Future Ventures con la partecipazione di Hyperplane e Lakestar. L’azienda non ha reso noto l’ammontare degli investimenti aggiuntivi. Insieme al finanziamento, sta aggiungendo alla piattaforma Velma più di una dozzina di segnali nativi dell’audio, per aiutare le aziende a capire chi, o che cosa, sta chiamando e come si svolge una conversazione condotta dall’IA.

Questa distinzione sta diventando centrale nell’automazione vocale. Chi chiama con una voce sintetica potrebbe essere un assistente utile che fissa un appuntamento oppure una voce clonata usata per fingersi qualcun altro. Rilevare il parlato generato fornisce un elemento di prova; decidere come gestire la chiamata richiede una visione più ampia del comportamento e del contesto.

Rilevamento più rapido mentre la chiamata è ancora in corso

Modulate afferma che la riduzione del tempo mediano di rilevamento consente alle aziende di identificare il parlato sintetico abbastanza presto da instradare una chiamata, segnalarla per una revisione o applicare ulteriori verifiche mentre la conversazione prosegue. Il sistema analizza l’audio originale senza dipendere da filigrane inserite dai singoli fornitori di tecnologie per la generazione vocale, anche nel caso dei più recenti modelli da parlato a parlato e full-duplex.

Il passaggio da 2,25 a 1,6 secondi corrisponde a una riduzione di circa il 29% della mediana dichiarata dall’azienda. Si tratta di una misura del tempo di rilevamento, non della garanzia che ogni chiamata venga classificata entro quell’intervallo o che un intero flusso di lavoro di sicurezza venga completato altrettanto rapidamente. L’annuncio non specifica la dimensione del campione usato per la valutazione né fornisce una ripartizione dei falsi positivi e dei falsi negativi alla base del dato di accuratezza superiore al 99,1%.

«Gli operatori delle chiamate, umani o agenti di IA, devono essere in grado di riconoscere cosa sta succedendo in quelle conversazioni e di reagire in modo appropriato mentre l’interazione è ancora in corso», ha dichiarato Carter Huffman, CEO e cofondatore di Modulate.

Per i centri di contatto, il vantaggio operativo consiste nella possibilità di intervenire prima che la conversazione sia terminata. Un avviso ricevuto dopo che è già stata modificata una configurazione dell’account o sono state divulgate informazioni sensibili ha una funzione diversa da un segnale disponibile durante l’interazione.

Come Velma combina modelli audio specializzati

Velma utilizza quello che Modulate chiama modello di ascolto d’insieme, o ELM: un’architettura che coordina modelli specializzati, anziché affidarsi interamente a un unico modello generalista per interpretare una trascrizione. L’azienda afferma che il sistema riunisce più di 100 modelli, che analizzano segnali quali emozioni, tono, intento, cadenza, parlato sintetico e comportamento conversazionale.

La descrizione del prodotto spiega che un livello di orchestrazione combina segnali di livello inferiore in valutazioni di livello superiore, mantenendo i collegamenti con le prove sottostanti. Gli eventi contrassegnati da un’indicazione temporale possono mostrare in quale punto è cambiata la conversazione, offrendo al team operativo elementi più specifici da esaminare rispetto a un punteggio di rischio relativo alla chiamata privo di spiegazioni.

Una trascrizione registra le parole, ma non conserva ogni pausa, interruzione, variazione di enfasi o modalità di esposizione. L’approccio di Modulate aggiunge informazioni acustiche all’analisi, così gli sviluppatori possono esaminare l’andamento della conversazione insieme a ciò che dicono i partecipanti.

La documentazione sul rilevamento dei deepfake dell’azienda illustra questa distinzione a livello di API. Descrive la classificazione acustica di segmenti audio, con limiti temporali, verdetti e punteggi di confidenza, e supporta sia i file registrati sia i flussi in diretta. Un punteggio di confidenza del rilevamento costituisce una prova a sostegno di una classificazione, non la prova dell’identità o delle intenzioni di chi chiama.

Il parlato sintetico non equivale a una frode

Nella sua guida al controllo delle frodi vocali, Modulate distingue esplicitamente questi aspetti: il rilevamento dei deepfake valuta se una voce è sintetica, mentre l’analisi della conversazione valuta il comportamento. Un assistente di IA legittimo può usare una voce generata; chi chiama con una voce umana può tentare una manipolazione sociale senza ricorrere alla sintesi vocale.

Questa distinzione è importante anche per chi utilizza tecnologie di comunicazione vocale assistita. La sola segnalazione di una voce sintetica non è un motivo sufficiente per considerare malevola la persona che chiama. Secondo Modulate, nella nuova versione Velma può combinare tale segnalazione con segnali associati all’intento, alla manipolazione, al tono e al comportamento conversazionale, per favorire una gestione più consapevole.

L’obiettivo pratico è adottare una risposta graduale: instradamento ordinario per l’automazione consentita, ulteriori verifiche quando una transazione le richiede ed escalation quando la conversazione presenta comportamenti sospetti. Il sistema di rilevamento fornisce elementi di prova; la risposta è determinata dalle politiche dell’organizzazione.

Monitorare la qualità degli agenti vocali di IA

I nuovi segnali di Velma puntano anche a un problema meno eclatante, ma importante dal punto di vista commerciale: un agente IA può parlare con fluidità e offrire comunque un’esperienza di servizio scadente. Modulate afferma che queste aggiunte aiutano a valutare i tempi di risposta, la qualità audio e le incomprensioni nella conversazione che le analisi basate solo sulle trascrizioni potrebbero non rilevare.

Nella sua pagina sulle misure di protezione per l’IA, l’azienda descrive Velma come uno strumento che monitora i partecipanti, anziché agire essa stessa da agente conversazionale. I clienti possono configurare il monitoraggio in base alle procedure operative e ai comportamenti previsti, quindi inviare i segnali ai sistemi esistenti tramite API e webhook.

In questo modo si separa il sistema che parla da quello che valuta l’interazione. I team possono così esaminare i casi in cui un agente provoca frustrazione, viola le regole o non risponde in modo adeguato, e usare i risultati per migliorare la distribuzione.

Il sostegno di Twilio rafforza un legame già esistente

Twilio Ventures si concentra su IA, strumenti per sviluppatori e aziende che operano nel settore del coinvolgimento dei clienti, rendendo l’intelligenza audio pertinente ai suoi ambiti di investimento. Modulate ha già un legame tecnico con Twilio: un annuncio del maggio 2025 descriveva la compatibilità dei suoi prodotti VoiceVault e ToxMod, comprese API compatibili con Twilio Media Streams per integrare nei suoi sistemi l’audio delle chiamate in diretta.

Il nuovo investimento si inserisce in questo percorso, anche se l’annuncio non prevede un nuovo accordo di distribuzione esclusiva. Modulate afferma che il capitale servirà a sostenere la ricerca, lo sviluppo dei prodotti, l’adozione da parte degli sviluppatori, le partnership e una più ampia gamma di opzioni di distribuzione.

L’annuncio dei finanziamenti di settembre aveva posto le stesse priorità al centro dell’espansione dell’azienda oltre le precedenti applicazioni per la sicurezza vocale. Con questo aggiornamento, l’azienda avvicina rilevamento e supervisione, aiutando le imprese a riconoscere il parlato generato, esaminare i comportamenti circostanti e valutare se i propri agenti vocali stiano svolgendo il compito previsto.