Modulate привлекает инвестиции Twilio Ventures и ускоряет выявление ИИ-голосов

Modulate объявила о новых инвестициях от Twilio Ventures и Пола Инглиша, сооснователя Kayak. Компания расширяет доступные бизнесу технологии для выявления синтетических голосов и контроля за голосовыми ИИ-агентами. По словам компании, последние модели способны распознать голос, сгенерированный ИИ, в среднем за 1,6 секунды — быстрее, чем за 2,25 секунды ранее, — при точности выявления выше 99,1% в ходе оценки реальных звонков с участием ИИ и людей.

Эти инвестиции последовали за раундом финансирования Modulate на 25 миллионов долларов, о котором компания объявила в сентябре. Раунд возглавила Future Ventures, в нем также участвовали Hyperplane и Lakestar. Размер дополнительных инвестиций компания не раскрыла. Одновременно с привлечением средств Modulate добавляет в платформу Velma более дюжины сигналов, основанных на анализе аудио. Они помогут компаниям понимать, кто — или что — им звонит и как развивается разговор под управлением ИИ.

Это различие приобретает все большее значение для автоматизации голосового взаимодействия. Синтетический голос может принадлежать полезному помощнику, который записывает на прием, или быть клоном, используемым для выдачи себя за другого человека. Выявление сгенерированной речи дает лишь часть необходимой информации; чтобы решить, как поступить со звонком, нужно шире оценить поведение и контекст разговора.

Ускоренное выявление синтетической речи во время звонка

По словам Modulate, сокращение среднего времени выявления позволяет компаниям распознавать синтетическую речь достаточно рано, чтобы перенаправить звонок, пометить его для проверки или запросить дополнительное подтверждение личности, пока разговор продолжается. Система анализирует само аудио и не зависит от водяных знаков, которые добавляют отдельные поставщики технологий генерации голоса, в том числе в новых моделях преобразования речи в речь и полнодуплексных моделях.

Сокращение времени с 2,25 до 1,6 секунды означает, что заявленное компанией среднее значение уменьшилось примерно на 29%. Это показатель времени выявления, а не гарантия, что каждый звонок будет классифицирован за этот промежуток или что полный процесс обеспечения безопасности завершится так быстро. В объявлении не указаны размер оценочной выборки и разбивка ложноположительных и ложноотрицательных результатов, на основе которых рассчитана точность выше 99,1%.

«Операторы звонков — люди или ИИ-агенты — должны уметь распознавать происходящее в таких разговорах и правильно реагировать, пока взаимодействие не завершилось», — сказал Картер Хаффман, генеральный директор и сооснователь Modulate.

Для контакт-центров практическая польза заключается в возможности вмешаться до завершения разговора. Предупреждение, поступившее уже после изменения учетной записи или раскрытия конфиденциальной информации, выполняет иную функцию, чем сигнал, доступный во время взаимодействия.

Как Velma объединяет специализированные аудиомодели

В Velma используется то, что Modulate называет моделью ансамблевого прослушивания (Ensemble Listening Model, ELM): архитектура, которая координирует работу специализированных моделей, а не полагается исключительно на одну универсальную модель для интерпретации расшифровки разговора. По словам компании, система объединяет более 100 моделей, анализирующих такие сигналы, как эмоции, тон, намерения, темп речи, синтетическая речь и особенности поведения в разговоре.

В описании продукта говорится, что уровень оркестрации объединяет сигналы нижнего уровня в более общие оценки, сохраняя связь с исходными данными. События с отметками времени показывают, в какой момент изменился ход разговора, и дают операционной команде конкретный фрагмент для проверки вместо необъясненной оценки риска для звонка в целом.

Расшифровка фиксирует слова, но не сохраняет все паузы, перебивания, изменения акцентов и особенности подачи речи. Подход Modulate добавляет в анализ акустическую информацию, чтобы разработчики могли изучать ход разговора наряду с тем, что говорят его участники.

Документация компании по выявлению дипфейков показывает, как это различие реализовано на уровне API. В ней описана акустическая классификация фрагментов аудио с указанием временных границ, результатов и оценок уверенности; поддерживаются как записанные файлы, так и аудиопотоки в реальном времени. Оценка уверенности при выявлении служит свидетельством в пользу классификации, но не доказывает личность или намерения звонящего.

Синтетическая речь — не то же самое, что мошенничество

В руководстве по проверке звонков на голосовое мошенничество Modulate отдельно рассматривает эти вопросы: выявление дипфейков позволяет определить, является ли голос синтетическим, а анализ разговора — оценить поведение. Законно работающий ИИ-помощник может использовать сгенерированную речь; человек, в свою очередь, может прибегнуть к социальной инженерии без синтеза голоса.

Это различие важно и для людей, использующих вспомогательные речевые технологии. Одного признака синтетического голоса недостаточно, чтобы считать звонящего злоумышленником. По словам Modulate, в новой версии Velma может сочетать этот признак с сигналами, связанными с намерениями, манипуляциями, тоном и поведением в разговоре, чтобы помочь принимать более обоснованные решения.

На практике система должна обеспечивать поэтапное реагирование: обычную маршрутизацию разрешенных автоматизированных звонков, дополнительную проверку, если этого требует операция, и передачу ситуации на более высокий уровень при подозрительном поведении во время разговора. Система выявления предоставляет данные, а порядок реагирования определяют правила организации.

Контроль качества голосовых ИИ-агентов

Новые сигналы Velma помогают решать и менее драматичную, но важную с коммерческой точки зрения проблему: ИИ-агент может говорить бегло, но при этом обеспечивать низкое качество обслуживания. По словам Modulate, новые функции позволяют оценивать время отклика, качество звука и недопонимание в ходе разговора — то, что может ускользнуть от аналитики, основанной только на расшифровках.

На странице о мерах предосторожности для ИИ компания описывает Velma как систему, которая отслеживает участников, а не выступает в роли самого разговорного агента. Клиенты могут настроить мониторинг с учетом рабочих процедур и ожидаемого поведения, а затем передавать сигналы в существующие системы через API и вебхуки.

Так система, которая ведет разговор, отделяется от системы, оценивающей взаимодействие. Это позволяет командам выяснять, в каких случаях агент вызывает недовольство, отступает от правил или не отвечает должным образом, и использовать полученные результаты для улучшения внедрения.

Поддержка Twilio развивает уже существующее сотрудничество

Twilio Ventures специализируется на компаниях в сферах ИИ, инструментов для разработчиков и взаимодействия с клиентами, поэтому аудиоаналитика соответствует направлениям ее инвестиций. У Modulate уже есть техническая связь с Twilio: в анонсе за май 2025 года сообщалось о совместимости продуктов VoiceVault и ToxMod, в том числе об API, совместимых с Twilio Media Streams, для передачи в системы компании аудио текущих звонков.

Новые инвестиции развивают это сотрудничество, хотя в объявлении не говорится о заключении нового эксклюзивного соглашения о дистрибуции. По словам Modulate, средства пойдут на исследования, разработку продуктов, привлечение разработчиков, партнерства и расширение возможностей внедрения.

В сентябрьском объявлении о финансировании эти же приоритеты были названы центральными для расширения деятельности компании за пределы ее прежних приложений для обеспечения безопасности голосовых технологий. Теперь компания теснее объединяет обнаружение и контроль: помогает организациям распознавать сгенерированную речь, изучать сопутствующее поведение и оценивать, справляются ли их собственные голосовые агенты с поставленными задачами.