Modulate recebe investimento da Twilio Ventures e acelera a detecção de vozes geradas por IA

Modulate anunciou novos investimentos da Twilio Ventures e de Paul English, cofundador da Kayak, enquanto amplia as tecnologias que as empresas podem usar para identificar chamadas de vozes sintéticas e supervisionar agentes de voz com IA. A empresa afirma que seus modelos mais recentes conseguem identificar uma voz gerada por IA em um tempo mediano de 1,6 segundo, ante 2,25 segundos, mantendo uma acurácia de detecção superior a 99,1% em avaliações, no mundo real, de chamadas com IA e de chamadas humanas.

O investimento vem após o financiamento de US$ 25 milhões da Modulate, anunciado em setembro e liderado pela Future Ventures, com participação da Hyperplane e da Lakestar. A empresa não divulgou o valor dos investimentos adicionais. Junto com o financiamento, está adicionando mais de uma dúzia de sinais extraídos diretamente do áudio à sua plataforma Velma para ajudar as empresas a entender quem — ou o que — está ligando e como uma conversa conduzida por IA está se desenrolando.

Essa distinção está se tornando central para a automação por voz. Uma pessoa que liga usando uma voz sintética pode ser uma assistente útil marcando um horário ou uma voz clonada tentando se passar por outra pessoa. Detectar fala gerada fornece uma evidência; decidir o que fazer com a chamada exige uma visão mais ampla do comportamento e do contexto.

Detecção mais rápida enquanto a chamada ainda está em andamento

A Modulate afirma que a redução do tempo mediano de detecção permite que as empresas identifiquem fala sintética com antecedência suficiente para encaminhar uma chamada, sinalizá-la para análise ou aplicar uma verificação adicional enquanto a conversa continua. Seu sistema examina o áudio subjacente sem depender de marcas d’água inseridas por fornecedores específicos de geração de voz, inclusive em modelos mais recentes de conversão de fala a fala e em modelos full-duplex.

A mudança de 2,25 para 1,6 segundo representa uma redução de cerca de 29% na mediana informada pela empresa. Essa é uma medida do tempo de detecção, não uma garantia de que todas as chamadas serão classificadas nesse intervalo ou de que um fluxo de trabalho de segurança completo será concluído tão rapidamente. O anúncio não informa o tamanho da amostra da avaliação nem apresenta uma discriminação de falsos positivos e falsos negativos por trás do índice de acurácia superior a 99,1%.

“Os operadores de chamadas — humanos ou agentes de IA — precisam ser capazes de reconhecer o que está acontecendo nessas conversas e responder adequadamente enquanto a interação ainda está em andamento”, afirmou Carter Huffman, CEO e cofundador da Modulate.

Para os contact centers, o benefício operacional está na possibilidade de intervir antes que a conversa termine. Um alerta enviado depois que uma alteração na conta ou a divulgação de informações confidenciais já ocorreu tem uma finalidade diferente de um sinal disponível durante a interação.

Como a Velma combina modelos de áudio especializados

A Velma usa o que a Modulate chama de Modelo de Escuta em Conjunto, ou ELM: uma arquitetura que coordena modelos especializados, em vez de depender inteiramente de um único modelo de uso geral para interpretar uma transcrição. A empresa afirma que seu sistema reúne mais de 100 modelos que abrangem sinais como emoção, tom, intenção, cadência, fala sintética e comportamento conversacional.

A descrição do produto explica que uma camada de orquestração combina sinais de nível mais baixo em avaliações de nível mais alto, preservando os vínculos com as evidências subjacentes. Eventos com marcação de tempo podem indicar em que momento uma conversa mudou, oferecendo à equipe de operações algo mais específico para analisar do que uma pontuação de risco inexplicada para a chamada inteira.

Uma transcrição registra as palavras, mas não preserva todas as pausas, interrupções, mudanças de ênfase ou padrões de fala. A abordagem da Modulate acrescenta informações acústicas à análise para que os desenvolvedores possam examinar como a conversa se desenrola, além do que os participantes dizem.

A documentação de detecção de deepfakes da empresa ilustra essa distinção no nível da API. Ela descreve a classificação acústica de segmentos de áudio, com limites de tempo, veredictos e pontuações de confiança, e oferece suporte tanto a arquivos gravados quanto a transmissões ao vivo. Uma pontuação de confiança da detecção é uma evidência para a classificação, não uma prova da identidade ou das intenções de quem liga.

Fala sintética não é o mesmo que fraude

A Modulate diferencia explicitamente essas questões em seu guia de triagem de fraudes por voz: a detecção de deepfakes avalia se uma voz é sintética, enquanto a análise da conversa avalia o comportamento. Uma assistente legítima de IA pode usar fala gerada; uma pessoa pode tentar manipular alguém por meio de engenharia social sem recorrer à síntese de voz.

Essa distinção também é importante para pessoas que usam tecnologia assistiva de fala. O simples sinal de voz sintética não é motivo suficiente para tratar quem liga como alguém mal-intencionado. No novo lançamento, a Modulate afirma que a Velma pode combinar esse sinal com outros associados a intenção, manipulação, tom e comportamento conversacional para permitir um atendimento mais bem fundamentado.

O objetivo prático é oferecer uma resposta gradual: encaminhamento habitual para automações autorizadas, verificação adicional quando a transação justificar e escalonamento quando a conversa apresentar comportamento suspeito. O sistema de detecção fornece evidências; as políticas da organização determinam a resposta.

Monitoramento da qualidade dos agentes de voz com IA

Os novos sinais da Velma também se voltam para um problema menos dramático, mas comercialmente importante: um agente de IA pode falar com fluência e, ainda assim, proporcionar uma experiência de atendimento ruim. A Modulate afirma que os recursos adicionais ajudam a avaliar o tempo de resposta, a qualidade do áudio e os mal-entendidos na conversa que as análises baseadas apenas em transcrições podem não detectar.

Na página de diretrizes de segurança para IA, a empresa descreve a Velma como uma ferramenta que monitora os participantes, em vez de atuar como o próprio agente conversacional. Os clientes podem configurar o monitoramento com base em procedimentos operacionais e comportamentos esperados e, depois, enviar os sinais aos sistemas existentes por meio de APIs e webhooks.

Isso separa o sistema que conduz a conversa daquele que avalia a interação. Assim, as equipes podem investigar em que momentos um agente causa frustração, age fora das diretrizes ou não responde adequadamente e usar essas descobertas para aprimorar a implementação.

Investimento da Twilio se soma a uma relação já existente

A Twilio Ventures se concentra em IA, ferramentas para desenvolvedores e empresas de engajamento com clientes, o que torna a inteligência de áudio pertinente ao seu escopo de investimentos. A Modulate já tem uma relação técnica com a Twilio: um anúncio de maio de 2025 descreveu a compatibilidade dos produtos VoiceVault e ToxMod da empresa, incluindo APIs compatíveis com o Twilio Media Streams para levar áudio de chamadas ao vivo aos sistemas da Modulate.

O novo investimento se apoia nesse histórico, embora o anúncio não estabeleça um novo acordo de distribuição exclusiva. A Modulate afirma que o capital será destinado a apoiar a pesquisa, o desenvolvimento de produtos, a adoção por desenvolvedores, as parcerias e opções mais amplas de implementação.

O anúncio de financiamento de setembro colocou essas mesmas prioridades no centro da expansão da empresa para além das aplicações anteriores de segurança de voz. Com esta atualização, a empresa aproxima detecção e supervisão: ajudando as organizações a reconhecer a fala gerada, examinar os comportamentos associados e avaliar se os próprios agentes de voz estão cumprindo a função pretendida.