Modulate pozyskuje wsparcie Twilio Ventures i przyspiesza wykrywanie głosów AI

Modulate poinformowała o nowych inwestycjach od Twilio Ventures oraz współzałożyciela Kayak, Paula Englisha. Firma rozwija technologię, która pomaga przedsiębiorstwom rozpoznawać osoby dzwoniące z użyciem syntetycznych głosów i nadzorować głosowych agentów AI. Jak podaje, jej najnowsze modele rozpoznają głos wygenerowany przez AI w medianie 1,6 sekundy, w porównaniu z 2,25 sekundy wcześniej, a ich skuteczność wykrywania przekracza 99,1% w ocenie rzeczywistych rozmów telefonicznych prowadzonych przez AI i ludzi.

Inwestycja jest następstwem finansowania Modulate w wysokości 25 mln dolarów, ogłoszonego we wrześniu i prowadzonego przez Future Ventures, z udziałem Hyperplane i Lakestar. Firma nie ujawniła wartości dodatkowych inwestycji. Równolegle z finansowaniem dodaje do swojej platformy Velma ponad tuzin sygnałów analizowanych bezpośrednio na podstawie dźwięku. Mają one pomóc przedsiębiorstwom ustalić, kto — lub co — dzwoni, a także śledzić przebieg rozmowy prowadzonej przez AI.

To rozróżnienie staje się kluczowe dla automatyzacji rozmów głosowych. Syntetyczny głos może należeć do pomocnego asystenta umawiającego wizytę albo do sklonowanego głosu, za pomocą którego ktoś próbuje podszyć się pod inną osobę. Wykrycie mowy wygenerowanej przez AI dostarcza jednego elementu oceny, ale decyzja o tym, jak postąpić z rozmową, wymaga szerszego spojrzenia na zachowanie rozmówcy i kontekst.

Szybsze wykrywanie jeszcze w trakcie rozmowy

Modulate twierdzi, że skrócenie mediany czasu wykrywania pozwala firmom rozpoznać mowę syntetyczną na tyle wcześnie, by przekierować połączenie, oznaczyć je do weryfikacji lub zastosować dodatkowe uwierzytelnienie, zanim rozmowa dobiegnie końca. System analizuje dźwięk, nie polegając na znakach wodnych umieszczanych przez poszczególnych dostawców technologii generowania głosu — również w przypadku nowszych modeli typu mowa–mowa i modeli pełnodupleksowych.

Zmiana z 2,25 do 1,6 sekundy oznacza spadek o około 29% w odniesieniu do podanej przez firmę mediany. Jest to miara czasu wykrywania, a nie gwarancja, że każde połączenie zostanie sklasyfikowane w tym przedziale lub że pełna procedura bezpieczeństwa zakończy się równie szybko. W komunikacie nie podano liczebności próby ewaluacyjnej ani zestawienia wyników fałszywie dodatnich i fałszywie ujemnych, które składają się na deklarowaną skuteczność przekraczającą 99,1%.

„Operatorzy połączeń — ludzie lub agenci AI — muszą umieć rozpoznawać, co dzieje się podczas tych rozmów, i odpowiednio reagować, gdy interakcja nadal trwa” — powiedział Carter Huffman, dyrektor generalny i współzałożyciel Modulate.

Dla centrów kontaktowych korzyść operacyjna polega na możliwości interwencji, zanim rozmowa się zakończy. Ostrzeżenie przekazane po zmianie na koncie lub ujawnieniu poufnych informacji służy innemu celowi niż sygnał dostępny w trakcie interakcji.

Jak Velma łączy wyspecjalizowane modele audio

Velma wykorzystuje rozwiązanie, które Modulate nazywa modelem zespołowej analizy dźwięku (ELM): architekturę koordynującą wyspecjalizowane modele, zamiast polegać wyłącznie na jednym modelu ogólnego przeznaczenia do interpretacji transkrypcji. Firma informuje, że jej system łączy ponad 100 modeli analizujących takie sygnały jak emocje, ton głosu, intencje, rytm wypowiedzi, mowę syntetyczną i zachowania w rozmowie.

Z opisu produktu wynika, że warstwa orkiestracji łączy sygnały niższego poziomu w oceny wyższego poziomu, zachowując przy tym odnośniki do dowodów źródłowych. Zdarzenia opatrzone znacznikami czasu mogą wskazać moment zmiany przebiegu rozmowy, dzięki czemu zespół operacyjny ma do zbadania konkretny fragment, a nie tylko niewyjaśniony wskaźnik ryzyka dla całego połączenia.

Transkrypcja rejestruje wypowiedziane słowa, ale nie oddaje wszystkich pauz, przerwań, zmian akcentu ani sposobu mówienia. Podejście Modulate wzbogaca analizę o informacje akustyczne, aby programiści mogli badać przebieg rozmowy, a także to, co mówią jej uczestnicy.

Dokumentacja dotycząca wykrywania deepfake’ów firmy pokazuje to rozróżnienie na poziomie API. Opisuje klasyfikację akustyczną fragmentów audio wraz z granicami czasowymi, werdyktami i ocenami pewności, a także obsługę zarówno nagranych plików, jak i transmisji na żywo. Ocena pewności wykrycia stanowi dowód na poparcie klasyfikacji, a nie potwierdzenie tożsamości ani intencji osoby dzwoniącej.

Mowa syntetyczna to nie to samo co oszustwo

W swoim poradniku wykrywania oszustw z użyciem głosu Modulate wyraźnie rozdziela te kwestie: wykrywanie deepfake’ów pozwala ustalić, czy głos jest syntetyczny, natomiast analiza rozmowy służy ocenie zachowania. Legalny asystent AI może posługiwać się mową generowaną, a osoba dzwoniąca może próbować manipulacji społecznej bez użycia syntezy głosu.

To rozróżnienie ma znaczenie także dla osób korzystających ze wspomagających technologii mowy. Samo oznaczenie głosu jako syntetycznego nie wystarcza, by uznać osobę dzwoniącą za działającą w złej wierze. Modulate informuje, że w nowej wersji Velma może łączyć takie oznaczenie z sygnałami wskazującymi na intencje, manipulację, ton głosu i zachowanie w rozmowie, aby ułatwić podejmowanie bardziej świadomych decyzji.

Celem jest stopniowana reakcja: standardowe przekierowanie połączenia w przypadku dozwolonej automatyzacji, dodatkowa weryfikacja, gdy wymaga jej transakcja, oraz eskalacja, jeśli rozmowa wykazuje podejrzane zachowania. System wykrywania dostarcza dowodów, a o reakcji decydują zasady obowiązujące w organizacji.

Monitorowanie jakości głosowych agentów AI

Nowe sygnały Velmy pomagają też rozwiązać mniej spektakularny, ale istotny z komercyjnego punktu widzenia problem: agent AI może mówić płynnie, a jednocześnie zapewniać klientom kiepską obsługę. Modulate twierdzi, że nowe funkcje ułatwiają ocenę czasu reakcji, jakości dźwięku i nieporozumień w rozmowie, które mogą umknąć analizom opartym wyłącznie na transkrypcji.

Na swojej stronie poświęconej zabezpieczeniom AI firma opisuje Velmę jako system monitorujący uczestników, a nie działający samodzielnie agenta konwersacyjnego. Klienci mogą skonfigurować monitoring tak, by uwzględniał procedury operacyjne i oczekiwane zachowania, a następnie przesyłać sygnały do istniejących systemów za pośrednictwem interfejsów API i webhooków.

Dzięki temu system prowadzący rozmowę jest oddzielony od systemu oceniającego jej przebieg. Zespoły mogą sprawdzać, w których sytuacjach agent wywołuje frustrację, narusza zasady lub nie reaguje odpowiednio, a następnie wykorzystać te ustalenia do usprawnienia wdrożenia.

Wsparcie Twilio rozwija dotychczasową współpracę

Twilio Ventures koncentruje się na AI, narzędziach dla programistów i firmach działających w obszarze zaangażowania klientów, dlatego inteligencja dźwiękowa wpisuje się w zakres jego inwestycji. Modulate łączy z Twilio także współpraca techniczna: w ogłoszeniu z maja 2025 r. opisano zgodność produktów VoiceVault i ToxMod z rozwiązaniami Twilio, w tym interfejsy API zgodne z Twilio Media Streams, które pozwalają przesyłać do systemów firmy dźwięk z rozmów na żywo.

Nowa inwestycja rozwija tę współpracę, choć ogłoszenie nie potwierdza zawarcia nowej umowy o wyłącznej dystrybucji. Modulate informuje, że środki wesprą badania, rozwój produktów, popularyzację rozwiązań wśród programistów, partnerstwa oraz szersze możliwości wdrażania.

Wrześniowe ogłoszenie o finansowaniu wskazywało te same priorytety jako kluczowe dla ekspansji wykraczającej poza wcześniejsze zastosowania związane z bezpieczeństwem głosu. Dzięki tej aktualizacji firma zbliża do siebie wykrywanie i nadzór: pomaga przedsiębiorstwom rozpoznawać mowę generowaną przez AI, analizować towarzyszące jej zachowania oraz oceniać, czy ich własne agenty głosowe wykonują zamierzone zadania.