Modulate får stöd från Twilio Ventures och förbättrar detekteringen av AI-genererade röster

Modulate har meddelat att bolaget fått nya investeringar från Twilio Ventures och Kayaks medgrundare Paul English, samtidigt som det utvecklar teknik som företag kan använda för att identifiera syntetiska uppringare och övervaka AI-röstassistenter. Enligt bolaget kan de senaste modellerna identifiera en AI-genererad röst på medianen 1,6 sekunder, jämfört med 2,25 sekunder tidigare, och samtidigt behålla en detekteringsprecision på över 99,1 procent i bolagets utvärdering av verkliga samtal med AI respektive människor.

Investeringen följer på den finansiering på 25 miljoner dollar som Modulate meddelade i september, med Future Ventures som ledande investerare och deltagande från Hyperplane och Lakestar. Bolaget har inte offentliggjort storleken på de ytterligare investeringarna. I samband med finansieringen lägger bolaget till mer än ett dussin ljudbaserade signaler i sin Velma-plattform, så att företag kan förstå både vem – eller vad – som ringer och hur ett AI-styrt samtal utvecklas.

Den här skillnaden blir allt viktigare inom röstautomatisering. En syntetisk uppringare kan vara en användbar assistent som bokar en tid, eller en klonad röst som försöker utge sig för att vara någon annan. Detektering av genererat tal ger en del av underlaget; för att avgöra vad man ska göra med samtalet krävs en bredare förståelse av beteendet och sammanhanget.

Snabbare detektering medan samtalet pågår

Modulate uppger att den kortare mediana detekteringstiden gör det möjligt för företag att identifiera syntetiskt tal tillräckligt tidigt för att koppla om ett samtal, flagga det för granskning eller begära ytterligare verifiering medan samtalet fortfarande pågår. Systemet analyserar själva ljudet utan att vara beroende av vattenstämplar som enskilda leverantörer av röstgenerering lägger in, även i nyare modeller för tal-till-tal och full duplex.

Förändringen från 2,25 till 1,6 sekunder motsvarar en minskning på cirka 29 procent av den median som bolaget rapporterat. Det är ett mått på detekteringstiden, inte en garanti för att varje samtal klassificeras inom den tiden eller att ett komplett säkerhetsflöde hinner slutföras så snabbt. I tillkännagivandet anges varken storleken på utvärderingsurvalet eller någon uppdelning av falska positiva och falska negativa resultat bakom precisionssiffran på över 99,1 procent.

”Samtalsoperatörer – mänskliga eller AI-agenter – måste kunna förstå vad som händer i samtalen och reagera på lämpligt sätt medan interaktionen fortfarande pågår”, säger Carter Huffman, vd och medgrundare av Modulate.

För kontaktcenter är den operativa fördelen möjligheten att ingripa innan ett samtal har avslutats. En varning som kommer efter att en kontoändring redan har gjorts eller känsliga uppgifter har röjts fyller en annan funktion än en signal som finns tillgänglig under samtalet.

Så kombinerar Velma specialiserade ljudmodeller

Velma använder det som Modulate kallar en ensemblemodell för lyssnande, eller ELM: en arkitektur som samordnar specialiserade modeller i stället för att helt förlita sig på en enda modell för allmänna ändamål för att tolka en transkription. Enligt bolaget samlar systemet över 100 modeller som analyserar signaler som känslor, tonfall, avsikt, talrytm, syntetiskt tal och samtalsbeteende.

Produktbeskrivningen förklarar att ett orkestreringslager kombinerar signaler på lägre nivå till bedömningar på högre nivå, samtidigt som kopplingarna till det underliggande underlaget bevaras. Tidsstämplade händelser kan visa var ett samtal tog en ny vändning och ge driftteamet något mer konkret att granska än en oförklarad riskpoäng för hela samtalet.

En transkription återger orden, men inte varje paus, avbrott, förändring i betoning eller sätt att tala. Modulates metod tillför akustisk information till analysen, så att utvecklare kan undersöka hur ett samtal fortlöper utöver vad deltagarna säger.

Bolagets dokumentation om deepfake-detektering visar hur den skillnaden hanteras på API-nivå. Den beskriver akustisk klassificering av ljudsegment med tidsgränser, bedömningar och konfidenspoäng, och stöder både inspelade filer och direktsända ljudströmmar. En konfidenspoäng för detekteringen är ett underlag för klassificeringen, inte ett bevis på uppringarens identitet eller avsikter.

Syntetiskt tal är inte detsamma som bedrägeri

I sin guide till granskning av röstbedrägerier skiljer Modulate uttryckligen mellan de här frågorna: deepfake-detektering bedömer om en röst är syntetisk, medan samtalsanalys bedömer beteendet. En legitim AI-assistent kan använda genererat tal, medan en mänsklig uppringare kan försöka manipulera någon genom social ingenjörskonst utan att använda någon röstsyntes.

Den skillnaden är också viktig för personer som använder hjälpmedel för tal. En flagga för syntetisk röst räcker inte i sig som skäl för att behandla en uppringare som illvillig. I den nya versionen kan Velma enligt Modulate kombinera flaggan med signaler kopplade till avsikt, manipulation, tonfall och samtalsbeteende, för att bidra till mer välgrundade beslut om hur samtalet ska hanteras.

Det praktiska målet är en stegvis respons: vanlig vidarekoppling vid tillåten automatisering, ytterligare verifiering när en transaktion motiverar det och eskalering när samtalet uppvisar misstänkt beteende. Detekteringssystemet tillhandahåller underlag; organisationens policy avgör hur det ska hanteras.

Övervaka kvaliteten hos AI-röstassistenter

De nya Velma-signalerna riktar också in sig på ett mindre dramatiskt men kommersiellt viktigt problem: en AI-agent kan låta flytande men ändå ge en dålig serviceupplevelse. Modulate säger att tilläggen gör det lättare att utvärdera svarstider, ljudkvalitet och missförstånd i samtal som analyser enbart av transkriptioner kan missa.

På sin sida om AI-skyddsräcken beskriver företaget Velma som ett system som övervakar deltagarna, snarare än att själv fungera som samtalsagent. Kunderna kan anpassa övervakningen efter verksamhetens rutiner och förväntat beteende och sedan skicka signaler till befintliga system via API:er och webhooks.

Detta skiljer systemet som för samtalet från systemet som bedömer interaktionen. Det ger teamen möjlighet att undersöka var en agent orsakar frustration, bryter mot policy eller inte svarar på lämpligt sätt, och att använda resultaten för att förbättra driftsättningen.

Twilios stöd bygger vidare på en befintlig koppling

Twilio Ventures fokuserar på AI, utvecklarverktyg och företag inom kundengagemang, vilket gör ljudanalys relevant för bolagets investeringsinriktning. Modulate har redan en teknisk koppling till Twilio: ett tillkännagivande från maj 2025 beskrev kompatibilitet för produkterna VoiceVault och ToxMod, däribland API:er som är kompatibla med Twilio Media Streams och gör det möjligt att föra in ljud från livesamtal i företagets system.

Den nya investeringen bygger vidare på den historiken, men tillkännagivandet innebär inte att ett nytt exklusivt distributionsavtal har ingåtts. Modulate säger att kapitalet ska stödja forskning, produktutveckling, utvecklares användning, partnerskap och bredare möjligheter till driftsättning.

I finansieringsbeskedet i september stod samma prioriteringar i centrum för företagets expansion bortom de tidigare tillämpningarna inom röstsäkerhet. Med den här uppdateringen för företaget detektering och övervakning närmare varandra: det hjälper företag att känna igen syntetiskt genererat tal, granska det omgivande beteendet och bedöma om deras egna röstassistenter utför det avsedda arbetet.