Modulate, Twilio Ventures의 투자 유치와 AI 음성 탐지 속도 개선

Modulate는 기업이 합성 음성 발신자를 식별하고 AI 음성 에이전트를 감독하는 데 활용할 수 있는 기술을 확대하는 가운데 Twilio Ventures와 Kayak 공동 창업자 Paul English로부터 신규 투자를 유치했다고 발표했다. 회사에 따르면 최신 모델은 실제 환경의 AI 및 사람 통화 평가에서 99.1%를 넘는 탐지 정확도를 유지하면서 AI로 생성된 음성을 식별하는 데 걸리는 시간을 중앙값 기준 2.25초에서 1.6초로 단축했다.

이번 투자는 Modulate가 9월에 발표한 2,500만 달러 규모의 투자 유치에 이은 것이다. 당시 투자는 Future Ventures가 주도했고 Hyperplane과 Lakestar도 참여했다. 회사는 추가 투자의 규모를 공개하지 않았다. 투자 유치와 함께 기업이 누가, 또는 무엇이 전화를 걸었는지와 AI가 주도하는 대화가 어떻게 진행되는지를 파악할 수 있도록 Velma 플랫폼에 오디오 자체에서 추출되는 신호를 12개 이상 추가하고 있다.

이러한 구분은 음성 자동화에서 점점 더 중요해지고 있다. 합성 음성을 사용하는 발신자는 예약을 도와주는 유용한 비서일 수도 있고, 다른 사람을 사칭하려는 복제 음성일 수도 있다. 생성된 음성을 탐지하면 판단에 필요한 증거를 하나 얻을 수 있지만, 통화에 어떻게 대응할지 결정하려면 발신자의 행동과 맥락을 더 폭넓게 살펴봐야 한다.

통화 중에도 더 빨라진 탐지

Modulate에 따르면 탐지 시간의 중앙값이 줄어들면서 기업은 대화가 이어지는 동안 합성 음성을 조기에 식별해 통화를 다른 경로로 연결하거나, 검토 대상으로 표시하거나, 추가 인증을 적용할 수 있다. 이 시스템은 개별 음성 생성 업체가 삽입한 워터마크에 의존하지 않고 오디오 자체를 분석하며, 최신 음성 간 변환 모델과 전이중 모델도 탐지 대상에 포함한다.

2.25초에서 1.6초로의 단축은 회사가 발표한 탐지 시간 중앙값이 약 29% 줄어든 것을 의미한다. 이는 탐지에 걸리는 시간을 나타내는 수치이지, 모든 통화가 해당 시간 안에 분류되거나 보안 절차 전체가 그만큼 빨리 완료된다는 보장은 아니다. 이번 발표에는 정확도 99.1% 초과라는 수치의 근거가 된 평가 표본 규모나 오탐 및 미탐 내역이 제시되지 않았다.

Modulate의 CEO 겸 공동 창업자인 Carter Huffman은 “사람이든 AI 에이전트든 통화 운영자는 대화가 진행되는 동안 그 안에서 무슨 일이 일어나는지 파악하고 적절히 대응할 수 있어야 합니다”라고 말했다.

컨택 센터가 얻을 수 있는 운영상 이점은 대화가 끝나기 전에 개입할 수 있다는 것이다. 계정 변경이나 민감한 정보 공개가 이미 이뤄진 뒤에 전달되는 경고는 대화 도중에 제공되는 신호와는 용도가 다르다.

Velma가 특화 오디오 모델을 결합하는 방식

Velma는 Modulate가 앙상블 청취 모델(ELM)이라고 부르는 아키텍처를 사용한다. 이 아키텍처는 하나의 범용 모델에 전적으로 의존해 대화 기록을 해석하는 대신, 특화된 여러 모델을 조율한다. 회사에 따르면 시스템은 감정, 어조, 의도, 말의 리듬, 합성 음성, 대화 행동 등의 신호를 다루는 100개 이상의 모델을 결합한다.

제품 설명에 따르면 오케스트레이션 계층은 하위 수준의 신호를 결합해 상위 수준의 평가를 제공하면서도 기초가 된 증거와의 연결을 유지한다. 타임스탬프가 포함된 이벤트는 대화의 흐름이 바뀐 지점을 보여줄 수 있어, 운영팀은 설명 없이 통화 전체에 매겨진 위험 점수보다 구체적인 내용을 검토할 수 있다.

대화 기록에는 오간 말이 담기지만 모든 침묵, 끼어들기, 강조점의 변화, 말투까지 보존되지는 않는다. Modulate의 접근 방식은 분석에 음향 정보를 더해 개발자가 대화 참여자들이 무슨 말을 했는지뿐 아니라 대화가 어떻게 진행됐는지도 살펴볼 수 있게 한다.

회사의 딥페이크 탐지 문서는 API 수준에서 이러한 차이를 보여준다. 이 문서는 시간 경계, 판정 결과, 신뢰도 점수를 포함한 오디오 구간의 음향 분류를 설명하며, 녹음 파일과 실시간 스트림을 모두 지원한다. 탐지 신뢰도 점수는 분류를 뒷받침하는 증거이지 발신자의 신원이나 의도를 증명하는 것은 아니다.

합성 음성과 사기는 같은 것이 아니다

Modulate는 음성 사기 선별 가이드에서 이 두 가지 질문을 명확히 구분한다. 딥페이크 탐지는 음성이 합성된 것인지 평가하고, 대화 분석은 행동을 평가한다. 정당한 AI 비서가 생성 음성을 사용할 수 있는 반면, 사람 발신자도 음성 합성 기술을 쓰지 않고 사회공학적 공격을 시도할 수 있다.

이러한 구분은 보조 음성 기술을 사용하는 사람들에게도 중요하다. 합성 음성이라는 표시만으로 발신자를 악의적인 사람으로 취급해서는 안 된다. Modulate는 이번 신규 출시에서 Velma가 해당 표시를 의도, 조작, 어조, 대화 행동과 관련된 신호와 결합해 더 충분한 정보를 바탕으로 대응할 수 있다고 밝혔다.

실질적인 목표는 단계적으로 대응하는 것이다. 허용된 자동화에는 일반적인 통화 연결 절차를 적용하고, 거래 특성상 필요한 경우 추가 인증을 실시하며, 대화에서 의심스러운 행동이 나타나면 상위 단계로 이관한다. 탐지 시스템은 증거를 제공하고, 대응 방식은 조직의 정책에 따라 결정된다.

AI 음성 에이전트의 품질 모니터링

새로운 Velma 신호는 극적이지는 않지만 사업적으로 중요한 문제도 겨냥합니다. AI 에이전트가 유창하게 말하면서도 형편없는 서비스 경험을 제공할 수 있다는 점입니다. Modulate에 따르면 새로 추가된 기능은 응답 시점, 오디오 품질, 대화 중 오해를 평가하는 데 도움이 됩니다. 이러한 문제는 대화 기록만 분석해서는 놓칠 수 있습니다.

회사는 AI 가드레일 페이지에서 Velma가 대화형 에이전트로 직접 작동하는 것이 아니라 대화 참여자를 모니터링한다고 설명합니다. 고객은 운영 절차와 기대 행동에 맞춰 모니터링을 설정한 뒤 API와 웹훅을 통해 기존 시스템으로 신호를 보낼 수 있습니다.

이렇게 하면 대화를 진행하는 시스템과 상호작용을 평가하는 시스템이 분리됩니다. 이를 통해 팀은 에이전트가 불만을 유발하거나, 정책을 벗어나거나, 적절히 응답하지 못하는 지점을 조사하고, 그 결과를 활용해 배포를 개선할 수 있습니다.

Twilio의 투자 지원, 기존 협력 관계를 바탕으로 확대

Twilio Ventures는 AI, 개발자 도구, 고객 참여 관련 사업에 주력하므로 오디오 인텔리전스는 투자 대상 분야에 부합합니다. Modulate는 이미 Twilio와 기술적으로 연계되어 있습니다. 2025년 5월 발표에서는 VoiceVault와 ToxMod 제품의 호환성을 소개했으며, 라이브 통화 오디오를 자사 시스템으로 가져오는 Twilio Media Streams 호환 API도 포함했습니다.

이번 신규 투자는 이러한 협력 이력을 바탕으로 하지만, 발표 내용만으로는 새로운 독점 유통 계약이 체결됐다고 볼 수 없습니다. Modulate는 이번 투자금이 연구, 제품 개발, 개발자 도입 확대, 파트너십, 더 폭넓은 배포 방식을 지원하는 데 쓰일 것이라고 밝혔습니다.

9월의 자금 조달 발표에서는 초기 음성 안전 애플리케이션을 넘어 사업을 확장하는 데 같은 우선순위를 두었습니다. 이번 업데이트를 통해 회사는 탐지와 감독 기능을 더욱 긴밀하게 결합하고 있습니다. 기업이 생성된 음성을 식별하고, 그에 수반되는 행동을 살펴보며, 자체 음성 에이전트가 의도한 대로 작동하는지 평가하도록 돕는 것입니다.