Modulate、Twilio Venturesからの出資を獲得し、AI音声検出を高速化

Modulateは、企業が合成音声の発信者を特定し、AI音声エージェントを監視するために利用できる技術の拡充にあたり、Twilio VenturesとKayakの共同創業者Paul Englishから新たな出資を受けたと発表した。同社によると、最新モデルはAI生成音声を中央値1.6秒で検出でき、従来の2.25秒から短縮した。また、実環境でのAIおよび人間による通話評価において、検出精度99.1%超を維持している。

今回の出資は、Future Venturesが主導し、HyperplaneとLakestarが参加した9月発表の2,500万ドルの資金調達に続くものだ。追加投資の規模は公表されていない。資金調達とあわせて、企業が誰から、あるいは何からの着信なのか、またAI主導の会話がどのように進んでいるのかを把握できるよう、Velmaプラットフォームに十数種類を超える音声固有のシグナルを追加する。

この違いは、音声自動化において重要性を増している。合成音声による発信者は、予約を取る便利なアシスタントかもしれないし、なりすましを試みるクローン音声かもしれない。生成音声の検出は判断材料の一つとなるが、その通話にどう対応するかを決めるには、行動や状況をより幅広く捉える必要がある。

通話中の検出を高速化

Modulateによると、検出時間の中央値が短縮したことで、企業は会話が続いている間に合成音声を特定し、通話を振り分けたり、確認対象としてフラグを立てたり、追加の本人確認を実施したりできる。同社のシステムは、個々の音声生成プロバイダーが埋め込む電子透かしに依存せず、音声そのものを分析する。新しい音声間音声変換モデルや全二重モデルも対象となる。

検出時間の中央値は2.25秒から1.6秒へ短縮されており、同社の報告値で約29%の減少にあたる。これは検出にかかる時間を示す指標であり、すべての通話がその時間内に分類されることや、セキュリティ対応の一連の手順が同じ時間で完了することを保証するものではない。発表では、精度99.1%超という数値の根拠となる評価サンプル数や、誤検知と見逃しの内訳は明らかにされていない。

「人間であれAIエージェントであれ、通話対応者は会話の中で何が起きているのかを把握し、やり取りが続いている間に適切に対応できなければなりません」と、ModulateのCEO兼共同創業者であるCarter Huffmanは述べた。

コンタクトセンターにとっての運用上の利点は、会話が終わる前に介入できることだ。アカウントの変更や機密情報の開示がすでに行われた後に届く警告は、やり取りの最中に得られるシグナルとは異なる役割を果たす。

Velmaが専門特化型の音声モデルを組み合わせる仕組み

Velmaは、Modulateがアンサンブル聴取モデル（ELM）と呼ぶ仕組みを採用している。これは、単一の汎用モデルだけに文字起こしの解釈を任せるのではなく、専門特化型モデルを連携させるアーキテクチャだ。同社によると、感情、口調、意図、話す速さ、合成音声、会話上の振る舞いなどのシグナルを扱う100を超えるモデルを組み合わせている。

製品説明によると、オーケストレーション層が下位レベルのシグナルを組み合わせて、より高次の評価を行う一方、元となる証拠とのつながりも維持する。タイムスタンプ付きのイベントから会話のどの時点で変化が起きたかを特定できるため、運用チームは、通話全体に対する説明のないリスクスコアよりも具体的な情報を確認できる。

文字起こしには発話内容が記録されるが、あらゆる間、割り込み、強調の変化、話し方のパターンが残るわけではない。Modulateのアプローチでは音響情報を分析に加えることで、開発者が参加者の発言内容だけでなく、会話の進み方も調べられるようにしている。

同社のディープフェイク検出に関するドキュメントは、APIレベルでこの違いを示している。音声セグメントを音響的に分類し、時間範囲、判定結果、信頼度スコアを付与する仕組みを説明しており、録音ファイルとライブストリームの両方に対応する。検出時の信頼度スコアは分類の根拠となるもので、発信者の身元や意図を証明するものではない。

合成音声は詐欺と同じではない

Modulateは、音声詐欺のスクリーニングガイドで、この二つの問いを明確に区別している。ディープフェイク検出では音声が合成されたものかどうかを評価し、会話分析では行動を評価する。正当なAIアシスタントが合成音声を使うこともあれば、人間の発信者が音声合成を使わずにソーシャルエンジニアリングを試みることもある。

この違いは、支援技術として音声を利用する人々にとっても重要だ。合成音声のフラグが立っただけでは、発信者を悪意のある人物として扱う十分な理由にはならない。今回のリリースでModulateは、Velmaがそのフラグを、意図、操作、口調、会話上の振る舞いに関連するシグナルと組み合わせ、より的確な対応を支援できると説明している。

実務上の目標は、段階的に対応することだ。許可された自動応答には通常の振り分けを行い、取引内容に応じて追加確認を実施し、会話に疑わしい行動が見られた場合は上位対応にエスカレーションする。検出システムは判断材料を提供し、対応方針は組織のポリシーによって決まる。

AI音声エージェントの品質を監視する

新たに加わったVelmaのシグナルは、より目立たないものの商業的に重要な課題にも対応します。AIエージェントは流暢に話していても、質の低いサービス体験をもたらすことがあります。Modulateによると、今回の追加機能により、応答のタイミングや音声品質、会話上の行き違いを評価できるようになります。こうした問題は、文字起こしだけに基づく分析では見逃される可能性があります。

同社はAIガードレールのページで、Velmaは会話エージェントとして振る舞うのではなく、会話の参加者を監視すると説明しています。顧客は業務手順や期待される行動に沿って監視内容を設定でき、APIやWebhookを通じて既存のシステムにシグナルを送信できます。

これにより、会話を行うシステムと、そのやり取りを評価するシステムが切り分けられます。チームは、エージェントが利用者に不満を抱かせている箇所、ポリシーから逸脱している箇所、適切に応答できていない箇所を調査し、その結果を活用して導入環境を改善できます。

Twilioの支援により、既存のつながりがさらに強化

Twilio VenturesはAI、開発者向けツール、顧客エンゲージメント関連事業に注力しており、音声インテリジェンスは同社の投資対象に合致します。ModulateはすでにTwilioと技術面でつながりがあります。2025年5月の発表では、同社のVoiceVaultおよびToxMod製品がTwilioに対応することが説明されました。これには、ライブ通話の音声を同社のシステムに取り込むための、Twilio Media Streams互換APIが含まれます。

今回の投資はこうした実績を基盤とするものですが、発表では新たな独占販売契約の締結は明らかにされていません。Modulateによると、資金は研究、製品開発、開発者による採用の促進、パートナーシップ、そしてより幅広い導入方法の支援に充てられます。

9月の資金調達の発表でも、以前の音声安全関連の用途を超えた事業拡大において、同じ優先事項が中心に据えられていました。今回の発表により、同社は検知と監視をさらに密接に結び付けています。企業が合成音声を認識し、その周辺の挙動を調べ、自社の音声エージェントが意図した役割を果たしているかどうかを評価できるよう支援します。