Modulate nhận vốn đầu tư từ Twilio Ventures và tăng tốc phát hiện giọng nói AI

Modulate thông báo nhận khoản đầu tư mới từ Twilio Ventures và Paul English, đồng sáng lập Kayak, trong bối cảnh mở rộng các công nghệ giúp doanh nghiệp nhận diện người gọi bằng giọng tổng hợp và giám sát các tác nhân thoại AI. Công ty cho biết các mô hình mới nhất có thể nhận diện giọng nói do AI tạo ra với thời gian trung vị là 1,6 giây, giảm từ 2,25 giây, đồng thời duy trì độ chính xác phát hiện trên 99,1% trong các bài đánh giá cuộc gọi thực tế có cả giọng AI và giọng người.

Khoản đầu tư này tiếp nối vòng huy động vốn 25 triệu USD mà Modulate công bố vào tháng 9, do Future Ventures dẫn đầu, với sự tham gia của Hyperplane và Lakestar. Công ty chưa tiết lộ quy mô các khoản đầu tư bổ sung. Cùng với việc huy động vốn, công ty sẽ bổ sung hơn một tá tín hiệu âm thanh vào nền tảng Velma, giúp doanh nghiệp hiểu ai—hoặc thứ gì—đang gọi đến, cũng như diễn biến của cuộc hội thoại do AI dẫn dắt.

Sự phân biệt này ngày càng trở nên cốt yếu đối với tự động hóa bằng giọng nói. Người gọi bằng giọng tổng hợp có thể là một trợ lý hữu ích đang đặt lịch hẹn, hoặc là giọng nói bị sao chép nhằm giả mạo người khác. Phát hiện giọng nói do máy tạo ra chỉ cung cấp một phần bằng chứng; để quyết định xử lý cuộc gọi ra sao cần có cái nhìn rộng hơn về hành vi và ngữ cảnh của cuộc gọi.

Phát hiện nhanh hơn khi cuộc gọi vẫn đang diễn ra

Modulate cho biết việc rút ngắn thời gian phát hiện trung vị giúp doanh nghiệp nhận diện giọng nói tổng hợp đủ sớm để chuyển hướng cuộc gọi, đánh dấu để xem xét hoặc áp dụng bước xác minh bổ sung trong khi cuộc hội thoại vẫn tiếp diễn. Hệ thống phân tích âm thanh gốc mà không phụ thuộc vào hình mờ do từng nhà cung cấp công nghệ tạo giọng nói chèn vào, kể cả với các mô hình chuyển giọng nói thành giọng nói và song công toàn phần mới hơn.

Mức thay đổi từ 2,25 xuống 1,6 giây tương ứng với mức giảm khoảng 29% trong thời gian trung vị do công ty báo cáo. Đây là thước đo thời gian phát hiện, không phải sự bảo đảm rằng mọi cuộc gọi sẽ được phân loại trong khoảng thời gian đó hoặc toàn bộ quy trình bảo mật sẽ hoàn tất nhanh như vậy. Thông báo không nêu quy mô mẫu đánh giá hoặc số liệu phân tách trường hợp dương tính giả và âm tính giả đứng sau mức độ chính xác trên 99,1%.

“Những người điều hành cuộc gọi—dù là con người hay tác nhân AI—phải có khả năng nhận biết điều gì đang diễn ra trong các cuộc hội thoại đó và phản hồi phù hợp khi tương tác vẫn còn tiếp diễn,” Carter Huffman, CEO kiêm đồng sáng lập Modulate, cho biết.

Đối với các trung tâm liên lạc, lợi ích vận hành là có cơ hội can thiệp trước khi cuộc hội thoại kết thúc. Cảnh báo được gửi sau khi thay đổi tài khoản hoặc tiết lộ thông tin nhạy cảm đã xảy ra có mục đích khác với tín hiệu được cung cấp ngay trong lúc tương tác.

Cách Velma kết hợp các mô hình âm thanh chuyên biệt

Velma sử dụng thứ mà Modulate gọi là Mô hình lắng nghe tổng hợp, hay ELM: một kiến trúc điều phối các mô hình chuyên biệt thay vì hoàn toàn dựa vào một mô hình đa dụng duy nhất để diễn giải bản ghi lời thoại. Công ty cho biết hệ thống kết hợp hơn 100 mô hình, bao quát các tín hiệu như cảm xúc, giọng điệu, ý định, nhịp điệu lời nói, giọng nói tổng hợp và hành vi trong hội thoại.

Phần mô tả sản phẩm giải thích rằng một lớp điều phối kết hợp các tín hiệu cấp thấp thành những đánh giá cấp cao hơn, đồng thời giữ liên kết với bằng chứng nền tảng. Các sự kiện có dấu thời gian có thể cho biết cuộc hội thoại thay đổi ở thời điểm nào, nhờ đó đội ngũ vận hành có nội dung cụ thể hơn để xem xét thay vì một điểm rủi ro cấp cuộc gọi không có lời giải thích.

Bản ghi lời thoại lưu lại từ ngữ, nhưng không thể hiện đầy đủ mọi khoảng dừng, sự ngắt lời, thay đổi về ngữ điệu nhấn mạnh hay kiểu diễn đạt. Phương pháp của Modulate bổ sung thông tin âm học vào quá trình phân tích, để nhà phát triển có thể xem xét diễn biến của cuộc hội thoại bên cạnh nội dung người tham gia nói.

Tài liệu phát hiện deepfake của công ty minh họa sự phân biệt đó ở cấp API. Tài liệu mô tả việc phân loại âm học các đoạn âm thanh, kèm theo ranh giới thời gian, kết luận và điểm độ tin cậy; đồng thời hỗ trợ cả tệp ghi âm lẫn luồng trực tiếp. Điểm độ tin cậy của quá trình phát hiện là bằng chứng hỗ trợ việc phân loại, chứ không phải bằng chứng xác thực danh tính hay ý định của người gọi.

Giọng nói tổng hợp không đồng nghĩa với lừa đảo

Trong hướng dẫn sàng lọc gian lận qua giọng nói, Modulate phân biệt rõ hai câu hỏi này: phát hiện deepfake đánh giá liệu giọng nói có phải là giọng tổng hợp hay không, còn phân tích hội thoại đánh giá hành vi. Một trợ lý AI hợp pháp có thể sử dụng giọng nói được tạo ra; người gọi là con người vẫn có thể thực hiện hành vi thao túng tâm lý mà không dùng công nghệ tổng hợp giọng nói.

Sự phân biệt này cũng quan trọng đối với những người sử dụng công nghệ hỗ trợ giao tiếp bằng giọng nói. Chỉ riêng dấu hiệu giọng nói tổng hợp chưa đủ để xem người gọi là có ác ý. Trong bản phát hành mới, Modulate cho biết Velma có thể kết hợp dấu hiệu đó với các tín hiệu liên quan đến ý định, hành vi thao túng, giọng điệu và cách ứng xử trong hội thoại, nhằm hỗ trợ xử lý tình huống với đầy đủ thông tin hơn.

Mục tiêu thực tiễn là đưa ra phản ứng theo từng mức độ: chuyển hướng thông thường đối với hoạt động tự động hóa được phép, xác minh bổ sung khi giao dịch đòi hỏi, và chuyển cấp xử lý khi cuộc hội thoại có biểu hiện đáng ngờ. Hệ thống phát hiện cung cấp bằng chứng; chính sách của tổ chức quyết định cách phản hồi.

Giám sát chất lượng của các tác nhân thoại AI

Các tín hiệu mới của Velma cũng nhắm đến một vấn đề ít nổi bật hơn nhưng quan trọng về mặt thương mại: tác nhân AI có thể nói năng lưu loát nhưng vẫn mang lại trải nghiệm dịch vụ kém. Modulate cho biết những bổ sung này giúp đánh giá thời gian phản hồi, chất lượng âm thanh và các hiểu lầm trong hội thoại mà công cụ phân tích chỉ dựa trên bản chép lời có thể bỏ sót.

Trên trang về các biện pháp bảo vệ AI, công ty mô tả Velma là công cụ giám sát những người tham gia chứ không phải tự mình đóng vai tác nhân hội thoại. Khách hàng có thể thiết lập hoạt động giám sát dựa trên quy trình vận hành và hành vi mong đợi, sau đó gửi tín hiệu đến các hệ thống hiện có thông qua API và webhook.

Điều này tách biệt hệ thống thực hiện cuộc trò chuyện với hệ thống đánh giá tương tác. Nhờ đó, các nhóm có thể tìm hiểu những trường hợp tác nhân gây khó chịu, hành xử ngoài chính sách hoặc không phản hồi phù hợp, rồi dùng những phát hiện này để cải thiện quá trình triển khai.

Khoản đầu tư của Twilio củng cố mối liên kết sẵn có

Twilio Ventures tập trung vào AI, công cụ dành cho nhà phát triển và các doanh nghiệp về tương tác khách hàng, khiến công nghệ phân tích âm thanh trở nên phù hợp với phạm vi đầu tư của quỹ. Modulate vốn đã có mối liên kết kỹ thuật với Twilio: một thông báo hồi tháng 5/2025 cho biết các sản phẩm VoiceVault và ToxMod của công ty tương thích với Twilio, trong đó có các API tương thích với Twilio Media Streams để đưa âm thanh cuộc gọi trực tiếp vào hệ thống của Modulate.

Khoản đầu tư mới tiếp nối mối quan hệ trước đó, dù thông báo không xác lập một thỏa thuận phân phối độc quyền mới. Modulate cho biết nguồn vốn sẽ hỗ trợ nghiên cứu, phát triển sản phẩm, thu hút nhà phát triển sử dụng sản phẩm, xây dựng quan hệ đối tác và mở rộng các lựa chọn triển khai.

Thông báo gọi vốn hồi tháng 9 đã đặt những ưu tiên tương tự làm trọng tâm trong kế hoạch mở rộng ra ngoài các ứng dụng an toàn giọng nói trước đây. Với bản cập nhật này, công ty đang đưa hoạt động phát hiện và giám sát đến gần nhau hơn: giúp doanh nghiệp nhận diện giọng nói do AI tạo ra, xem xét hành vi liên quan và đánh giá liệu các tác nhân giọng nói của chính họ có đang thực hiện đúng nhiệm vụ hay không.