Modulate ได้รับเงินสนับสนุนจาก Twilio Ventures พร้อมพัฒนาการตรวจจับเสียง AI ให้เร็วขึ้น

Modulate ประกาศว่าได้รับเงินลงทุนใหม่จาก Twilio Ventures และ Paul English ผู้ร่วมก่อตั้ง Kayak ขณะที่บริษัทกำลังขยายเทคโนโลยีที่ธุรกิจใช้ระบุผู้โทรด้วยเสียงสังเคราะห์และกำกับดูแลเอเจนต์เสียง AI ได้ บริษัทระบุว่าโมเดลรุ่นล่าสุดสามารถตรวจจับเสียงที่สร้างด้วย AI ได้ภายในเวลาเฉลี่ยมัธยฐาน 1.6 วินาที ลดลงจาก 2.25 วินาที โดยยังคงความแม่นยำในการตรวจจับสูงกว่า 99.1% จากการประเมินการโทรจริงที่มีทั้ง AI และมนุษย์

การลงทุนครั้งนี้เกิดขึ้นหลังจาก Modulate ประกาศระดมทุน 25 ล้านดอลลาร์ในเดือนกันยายน โดยมี Future Ventures เป็นผู้นำการลงทุน และมี Hyperplane กับ Lakestar เข้าร่วมลงทุน บริษัทไม่ได้เปิดเผยขนาดของเงินลงทุนเพิ่มเติมเหล่านี้ นอกจากการระดมทุนแล้ว บริษัทยังเพิ่มสัญญาณเสียงที่ได้จากเสียงโดยตรงมากกว่าหนึ่งโหลให้แก่แพลตฟอร์ม Velma เพื่อช่วยให้องค์กรเข้าใจได้ทั้งว่าใครหรืออะไรเป็นผู้โทร และบทสนทนาที่ขับเคลื่อนด้วย AI ดำเนินไปอย่างไร

ความแตกต่างนี้กำลังกลายเป็นประเด็นสำคัญของระบบอัตโนมัติด้านเสียง ผู้โทรที่ใช้เสียงสังเคราะห์อาจเป็นผู้ช่วยที่มีประโยชน์ซึ่งกำลังนัดหมายให้ หรืออาจเป็นเสียงที่โคลนมาเพื่อปลอมแปลงตัวตน การตรวจจับเสียงพูดที่สร้างขึ้นเป็นหลักฐานส่วนหนึ่งเท่านั้น ส่วนการตัดสินใจว่าจะจัดการกับสายอย่างไรนั้นต้องพิจารณาพฤติกรรมและบริบทในภาพรวมให้กว้างขึ้น

ตรวจจับได้เร็วขึ้นขณะการโทรยังดำเนินอยู่

Modulate ระบุว่า การลดเวลาเฉลี่ยมัธยฐานในการตรวจจับช่วยให้ธุรกิจระบุเสียงพูดสังเคราะห์ได้เร็วพอที่จะโอนสาย ทำเครื่องหมายเพื่อส่งตรวจสอบ หรือใช้การยืนยันตัวตนเพิ่มเติมได้ระหว่างที่บทสนทนายังดำเนินต่อไป ระบบของบริษัทวิเคราะห์เสียงต้นฉบับโดยไม่ต้องพึ่งลายน้ำที่ผู้ให้บริการสร้างเสียงแต่ละรายฝังไว้ ซึ่งรวมถึงโมเดลแปลงเสียงพูดเป็นเสียงพูดรุ่นใหม่และโมเดลฟูลดูเพล็กซ์ด้วย

การเปลี่ยนจาก 2.25 วินาทีเป็น 1.6 วินาทีคิดเป็นการลดลงประมาณ 29% เมื่อเทียบกับค่ามัธยฐานที่บริษัทเปิดเผย ตัวเลขนี้เป็นการวัดเวลาในการตรวจจับ ไม่ใช่การรับประกันว่าจะจำแนกทุกสายได้ภายในช่วงเวลาดังกล่าว หรือกระบวนการรักษาความปลอดภัยทั้งหมดจะเสร็จสิ้นได้เร็วเท่านั้น ประกาศไม่ได้ระบุจำนวนตัวอย่างที่ใช้ประเมิน หรือแจกแจงผลบวกลวงและผลลบลวงที่อยู่เบื้องหลังตัวเลขความแม่นยำซึ่งสูงกว่า 99.1%

Carter Huffman ซีอีโอและผู้ร่วมก่อตั้ง Modulate กล่าวว่า “ผู้ให้บริการรับสาย ไม่ว่าจะเป็นมนุษย์หรือเอเจนต์ AI ต้องสามารถรับรู้ได้ว่าเกิดอะไรขึ้นในการสนทนาเหล่านั้น และตอบสนองอย่างเหมาะสมขณะที่การโต้ตอบยังดำเนินอยู่”

สำหรับศูนย์บริการลูกค้า ประโยชน์ในการปฏิบัติงานคือการมีโอกาสเข้าแทรกแซงก่อนบทสนทนาจะจบลง การแจ้งเตือนที่ส่งมาหลังจากมีการเปลี่ยนแปลงบัญชีหรือเปิดเผยข้อมูลละเอียดอ่อนไปแล้ว ย่อมมีจุดประสงค์ต่างจากสัญญาณที่ได้รับระหว่างการโต้ตอบ

Velma ผสานโมเดลเสียงเฉพาะทางเข้าด้วยกันอย่างไร

Velma ใช้สิ่งที่ Modulate เรียกว่า โมเดลการฟังแบบผสาน หรือ ELM ซึ่งเป็นสถาปัตยกรรมที่ประสานการทำงานของโมเดลเฉพาะทางหลายตัว แทนที่จะพึ่งพาโมเดลอเนกประสงค์เพียงตัวเดียวทั้งหมดในการตีความบทถอดเสียง บริษัทระบุว่าระบบรวบรวมโมเดลมากกว่า 100 ตัว ซึ่งครอบคลุมสัญญาณต่าง ๆ เช่น อารมณ์ น้ำเสียง เจตนา จังหวะการพูด เสียงพูดสังเคราะห์ และพฤติกรรมในการสนทนา

คำอธิบายผลิตภัณฑ์ระบุว่า ชั้นประสานงานจะรวมสัญญาณระดับพื้นฐานเข้าด้วยกันเป็นการประเมินระดับสูงขึ้น พร้อมคงลิงก์ที่เชื่อมโยงกลับไปยังหลักฐานต้นทาง เหตุการณ์ที่ระบุเวลาไว้สามารถชี้ให้เห็นว่าบทสนทนาเปลี่ยนแปลงตรงจุดใด ทำให้ทีมปฏิบัติการมีประเด็นที่เจาะจงให้ตรวจสอบ มากกว่าคะแนนความเสี่ยงของสายที่ไม่มีคำอธิบายประกอบ

บทถอดเสียงบันทึกคำพูดได้ แต่ไม่ได้เก็บรายละเอียดของทุกช่วงหยุด การพูดแทรก การเปลี่ยนระดับเน้น หรือรูปแบบการถ่ายทอดเสียงไว้ Modulate เพิ่มข้อมูลด้านเสียงเข้าไปในการวิเคราะห์ เพื่อให้นักพัฒนาตรวจสอบได้ว่าบทสนทนาดำเนินไปอย่างไรควบคู่กับสิ่งที่ผู้ร่วมสนทนาพูด

เอกสารการตรวจจับดีปเฟกของบริษัทแสดงให้เห็นความแตกต่างนี้ในระดับ API โดยอธิบายการจำแนกเสียงในเชิงอะคูสติกเป็นช่วง ๆ พร้อมระบุขอบเขตเวลา ผลการจำแนก และคะแนนความเชื่อมั่น อีกทั้งรองรับทั้งไฟล์บันทึกเสียงและสตรีมเสียงสด คะแนนความเชื่อมั่นจากการตรวจจับเป็นหลักฐานประกอบการจำแนก ไม่ใช่ข้อพิสูจน์ตัวตนหรือเจตนาของผู้โทร

เสียงพูดสังเคราะห์ไม่ได้หมายความว่าเป็นการฉ้อโกง

Modulate แยกคำถามทั้งสองประเด็นนี้ไว้อย่างชัดเจนในคู่มือคัดกรองการฉ้อโกงทางเสียงของบริษัท กล่าวคือ การตรวจจับดีปเฟกใช้ประเมินว่าเสียงนั้นเป็นเสียงสังเคราะห์หรือไม่ ส่วนการวิเคราะห์บทสนทนาใช้ประเมินพฤติกรรม ผู้ช่วย AI ที่ใช้งานอย่างถูกต้องอาจใช้เสียงพูดที่สร้างขึ้นได้ ขณะที่ผู้โทรซึ่งเป็นมนุษย์ก็อาจพยายามใช้กลวิธีทางสังคมเพื่อหลอกลวงได้โดยไม่ต้องสังเคราะห์เสียงเลย

ความแตกต่างนี้สำคัญต่อผู้ที่ใช้เทคโนโลยีช่วยพูดด้วยเช่นกัน การติดธงว่าเป็นเสียงสังเคราะห์เพียงอย่างเดียวไม่ใช่เหตุผลที่เพียงพอที่จะมองผู้โทรว่าเป็นผู้ไม่หวังดี Modulate ระบุว่า ในรุ่นใหม่ Velma สามารถนำธงดังกล่าวมาประกอบกับสัญญาณที่เกี่ยวข้องกับเจตนา การชักจูง น้ำเสียง และพฤติกรรมในการสนทนา เพื่อช่วยให้จัดการสายได้อย่างรอบคอบและมีข้อมูลประกอบมากขึ้น

เป้าหมายในทางปฏิบัติคือการตอบสนองเป็นลำดับขั้น ได้แก่ การโอนสายตามปกติสำหรับระบบอัตโนมัติที่ได้รับอนุญาต การยืนยันตัวตนเพิ่มเติมเมื่อธุรกรรมมีเหตุให้ต้องดำเนินการ และการส่งต่อเพื่อยกระดับการจัดการเมื่อบทสนทนามีพฤติกรรมน่าสงสัย ระบบตรวจจับทำหน้าที่จัดหาหลักฐาน ส่วนองค์กรเป็นผู้กำหนดแนวทางตอบสนองตามนโยบายของตน

ติดตามคุณภาพของเอเจนต์เสียง AI

สัญญาณใหม่ของ Velma ยังมุ่งตรวจจับปัญหาที่อาจไม่หวือหวาเท่าไร แต่มีความสำคัญในเชิงธุรกิจ นั่นคือเอเจนต์ AI อาจพูดจาคล่องแคล่ว แต่กลับมอบประสบการณ์การบริการที่ย่ำแย่ Modulate ระบุว่าความสามารถที่เพิ่มเข้ามาช่วยประเมินจังหวะการตอบสนอง คุณภาพเสียง และความเข้าใจผิดในการสนทนา ซึ่งการวิเคราะห์จากบทถอดเสียงเพียงอย่างเดียวอาจตรวจไม่พบ

ในหน้าแนวทางป้องกันความเสี่ยงของ AI บริษัทอธิบายว่า Velma ทำหน้าที่ติดตามผู้เข้าร่วม ไม่ได้ทำหน้าที่เป็นเอเจนต์สนทนาเอง ลูกค้าสามารถกำหนดค่าการติดตามให้สอดคล้องกับขั้นตอนการปฏิบัติงานและพฤติกรรมที่คาดหวัง จากนั้นส่งสัญญาณไปยังระบบที่มีอยู่ผ่าน API และเว็บฮุก

วิธีนี้ทำให้ระบบที่สนทนาแยกจากระบบที่ประเมินปฏิสัมพันธ์ ทีมงานจึงสามารถตรวจสอบได้ว่าเอเจนต์สร้างความหงุดหงิด ฝ่าฝืนนโยบาย หรือตอบสนองไม่เหมาะสมในจุดใด แล้วนำสิ่งที่พบไปปรับปรุงการนำระบบไปใช้งาน

เงินทุนสนับสนุนจาก Twilio ต่อยอดความสัมพันธ์ที่มีอยู่

Twilio Ventures มุ่งเน้นธุรกิจด้าน AI เครื่องมือสำหรับนักพัฒนา และการมีส่วนร่วมกับลูกค้า ทำให้เทคโนโลยีวิเคราะห์เสียงสอดคล้องกับขอบเขตการลงทุนของบริษัท Modulate มีความเชื่อมโยงทางเทคนิคกับ Twilio อยู่แล้ว โดยประกาศเมื่อเดือนพฤษภาคม 2025ระบุว่าผลิตภัณฑ์ VoiceVault และ ToxMod รองรับการทำงานร่วมกัน ซึ่งรวมถึง API ที่เข้ากันได้กับ Twilio Media Streams สำหรับนำเสียงสนทนาสดเข้าสู่ระบบของบริษัท

การลงทุนครั้งใหม่นี้ต่อยอดจากความสัมพันธ์ดังกล่าว แม้ประกาศจะไม่ได้ระบุว่ามีข้อตกลงจัดจำหน่ายแบบเอ็กซ์คลูซีฟฉบับใหม่ Modulate ระบุว่าเงินทุนจะสนับสนุนงานวิจัย การพัฒนาผลิตภัณฑ์ การใช้งานของนักพัฒนา ความร่วมมือ และทางเลือกในการนำระบบไปใช้งานที่กว้างขวางขึ้น

ประกาศระดมทุนในเดือนกันยายนระบุว่าประเด็นสำคัญเดียวกันนี้เป็นหัวใจของการขยายธุรกิจให้ครอบคลุมมากกว่าแอปพลิเคชันด้านความปลอดภัยของเสียงที่บริษัทพัฒนาก่อนหน้านี้ ด้วยการอัปเดตครั้งนี้ บริษัทกำลังผสานการตรวจจับเข้ากับการกำกับดูแลให้ใกล้ชิดกันยิ่งขึ้น เพื่อช่วยให้องค์กรตรวจจับเสียงที่สร้างขึ้น ตรวจสอบพฤติกรรมแวดล้อม และประเมินว่าเอเจนต์เสียงของตนทำงานได้ตามที่ตั้งใจหรือไม่