Modulate atrage investiții de la Twilio Ventures și accelerează detectarea vocilor generate de IA

Modulate a anunțat noi investiții din partea Twilio Ventures și a lui Paul English, cofondatorul Kayak, în timp ce extinde tehnologia pe care companiile o pot folosi pentru a identifica apelanții sintetici și pentru a supraveghea agenții vocali IA. Compania spune că cele mai recente modele ale sale pot identifica o voce generată de IA în 1,6 secunde în medie, față de 2,25 secunde anterior, menținând o acuratețe a detectării de peste 99,1% în evaluarea sa pe apeluri reale cu IA și cu interlocutori umani.

Investiția vine după finanțarea de 25 de milioane de dolari anunțată de Modulate în septembrie, condusă de Future Ventures, cu participarea Hyperplane și Lakestar. Compania nu a dezvăluit valoarea investițiilor suplimentare. Pe lângă finanțare, adaugă peste o duzină de semnale bazate direct pe caracteristicile audio în platforma sa Velma, pentru a ajuta companiile să înțeleagă atât cine — sau ce — sună, cât și cum decurge o conversație condusă de IA.

Această distincție devine esențială pentru automatizarea vocală. Un apelant sintetic poate fi un asistent util care face o programare sau o voce clonată folosită într-o tentativă de uzurpare a identității. Detectarea vorbirii generate oferă un indiciu, însă decizia privind modul de gestionare a apelului necesită o perspectivă mai amplă asupra comportamentului și contextului acestuia.

Detectare mai rapidă în timpul desfășurării apelului

Modulate spune că reducerea timpului median de detectare le permite companiilor să identifice vorbirea sintetică suficient de devreme pentru a redirecționa un apel, a-l semnala pentru verificare sau a solicita verificări suplimentare în timp ce conversația continuă. Sistemul analizează semnalul audio propriu-zis fără să depindă de filigranele inserate de furnizorii individuali de tehnologie pentru generarea vocilor, inclusiv în cazul modelelor mai noi de conversie vorbire-la-vorbire și al celor full-duplex.

Trecerea de la 2,25 la 1,6 secunde reprezintă o reducere de aproximativ 29% a valorii mediane raportate de companie. Este o măsură a timpului de detectare, nu o garanție că fiecare apel va fi clasificat în acest interval sau că un proces complet de securitate se va încheia la fel de repede. Anunțul nu precizează dimensiunea eșantionului de evaluare și nici defalcarea rezultatelor în alarme false și cazuri nedetectate, care stau la baza cifrei de acuratețe de peste 99,1%.

„Cei care gestionează apelurile — fie oameni, fie agenți IA — trebuie să poată recunoaște ce se întâmplă în aceste conversații și să reacționeze în mod adecvat cât timp interacțiunea este încă în desfășurare”, a declarat Carter Huffman, CEO și cofondator al Modulate.

Pentru centrele de contact, avantajul operațional constă în posibilitatea de a interveni înainte de încheierea conversației. O alertă transmisă după ce a avut deja loc o modificare a contului sau o dezvăluire de informații sensibile are un scop diferit de cel al unui semnal disponibil în timpul interacțiunii.

Cum combină Velma modele audio specializate

Velma folosește ceea ce Modulate numește un model de ascultare de tip ansamblu, sau ELM: o arhitectură care coordonează modele specializate, în loc să se bazeze în întregime pe un singur model de uz general pentru interpretarea unei transcrieri. Compania spune că sistemul său reunește peste 100 de modele care analizează semnale precum emoția, tonul, intenția, cadența, vorbirea sintetică și comportamentul conversațional.

Descrierea produsului explică faptul că un nivel de orchestrare combină semnalele de nivel inferior în evaluări de nivel superior, păstrând totodată legăturile cu dovezile de la bază. Evenimentele marcate temporal pot indica momentul în care conversația și-a schimbat direcția, oferind echipei operaționale elemente mai concrete de verificat decât un scor de risc neexplicat pentru întregul apel.

O transcriere surprinde cuvintele, dar nu redă fiecare pauză, întrerupere, schimbare de accent sau tipar de exprimare. Abordarea Modulate adaugă analizei informații acustice, astfel încât dezvoltatorii să poată examina modul în care decurge conversația, pe lângă ceea ce spun participanții.

Documentația companiei privind detectarea deepfake-urilor ilustrează această distincție la nivelul API-ului. Aceasta descrie clasificarea acustică a segmentelor audio, cu delimitări temporale, verdicte și scoruri de încredere, și acceptă atât fișiere înregistrate, cât și fluxuri audio în direct. Un scor de încredere al detectării constituie o dovadă în sprijinul unei clasificări, nu o probă a identității sau intențiilor apelantului.

Vorbirea sintetică nu este același lucru cu frauda

În ghidul său de depistare a fraudelor vocale, Modulate tratează în mod explicit aceste întrebări ca fiind distincte: detectarea deepfake-urilor evaluează dacă o voce este sintetică, în timp ce analiza conversației evaluează comportamentul. Un asistent IA legitim poate folosi vorbire generată, iar un apelant uman poate încerca să manipuleze social pe cineva fără să folosească vreo tehnologie de sinteză vocală.

Această distincție contează și pentru persoanele care folosesc tehnologii de vorbire asistivă. Simplul fapt că o voce este semnalată ca sintetică nu constituie un motiv suficient pentru a considera un apelant rău intenționat. Modulate spune că, în noua versiune, Velma poate combina acest semnal cu indicatori asociați intenției, manipulării, tonului și comportamentului conversațional, pentru a sprijini o gestionare mai bine fundamentată.

Obiectivul practic este un răspuns gradual: redirecționarea obișnuită a apelurilor pentru automatizările permise, verificări suplimentare atunci când o tranzacție le justifică și escaladarea cazului când conversația indică un comportament suspect. Sistemul de detectare furnizează dovezi; politicile organizației stabilesc răspunsul.

Monitorizarea calității agenților vocali IA

Noile semnale Velma vizează și o problemă mai puțin spectaculoasă, dar importantă din punct de vedere comercial: un agent IA poate vorbi fluent, oferind totuși o experiență de servicii necorespunzătoare. Modulate afirmă că aceste funcții suplimentare ajută la evaluarea timpului de răspuns, a calității audio și a neînțelegerilor din conversații, aspecte pe care analizele bazate doar pe transcrieri le pot omite.

Pe pagina despre mecanismele de protecție pentru IA, compania prezintă Velma ca pe un sistem care monitorizează participanții, nu ca pe agentul conversațional în sine. Clienții pot configura monitorizarea în funcție de procedurile operaționale și de comportamentul așteptat, apoi pot trimite semnalele către sistemele existente prin API-uri și webhook-uri.

Astfel, sistemul care poartă conversația este separat de cel care evaluează interacțiunea. Echipele pot investiga unde provoacă un agent frustrare, încalcă politicile sau nu răspunde adecvat și pot folosi constatările pentru a îmbunătăți implementarea.

Investiția Twilio consolidează o relație deja existentă

Twilio Ventures se concentrează pe IA, instrumente pentru dezvoltatori și companii din domeniul interacțiunii cu clienții, ceea ce face ca inteligența audio să se încadreze în aria sa de investiții. Modulate are deja o legătură tehnică cu Twilio: un anunț din mai 2025 prezenta compatibilitatea produselor VoiceVault și ToxMod, inclusiv API-uri compatibile cu Twilio Media Streams, pentru transferul în timp real al sunetului apelurilor către sistemele sale.

Noua investiție se bazează pe această colaborare, deși anunțul nu confirmă existența unui nou acord exclusiv de distribuție. Modulate afirmă că fondurile vor susține cercetarea, dezvoltarea produselor, adoptarea de către dezvoltatori, parteneriatele și extinderea opțiunilor de implementare.

Anunțul privind finanțarea din septembrie a plasat aceleași priorități în centrul extinderii companiei dincolo de aplicațiile anterioare dedicate siguranței vocale. Prin această actualizare, compania apropie detectarea de supraveghere: ajută întreprinderile să recunoască vorbirea generată, să examineze comportamentul asociat și să evalueze dacă agenții lor vocali își îndeplinesc scopul.