Modulate获Twilio Ventures投资，AI语音检测速度进一步提升

Modulate宣布获得Twilio Ventures和Kayak联合创始人Paul English的新投资，并将继续拓展企业可用于识别合成来电者和监督AI语音代理的技术。该公司表示，其最新模型能以1.6秒的中位数时间识别AI生成的语音，较此前的2.25秒有所缩短；在对真实场景中的AI通话和人工通话进行评估时，检测准确率仍高于99.1%。

此次投资是在Modulate于9月宣布获得2500万美元融资之后进行的。该轮融资由Future Ventures领投，Hyperplane和Lakestar参投。该公司尚未披露新增投资的金额。除融资外，Modulate还将在Velma平台中新增十多种原生音频信号，帮助企业了解来电者是谁（或是什么），以及由AI主导的对话如何展开。

这一区分正成为语音自动化领域的关键问题。合成语音来电者可能是帮助预约的实用助手，也可能是试图冒充他人的克隆语音。检测到生成语音只能提供一项证据；要决定如何处理通话，还需要更全面地了解其行为和背景。

通话进行期间即可更快检测

Modulate表示，检测中位耗时缩短后，企业能够更早识别合成语音，从而在对话仍在进行时转接来电、标记来电以供审核，或采取额外的验证措施。其系统会分析音频本身，不依赖各语音生成服务商嵌入的水印；这也适用于较新的语音到语音模型和全双工模型。

报告的中位检测时间从2.25秒降至1.6秒，意味着缩短约29%。这一指标衡量的是检测所需时间，并不保证每通电话都能在该时间内完成分类，也不代表完整的安全工作流程能在如此短的时间内结束。公告未提供评估样本量，也未列出高于99.1%准确率这一数据背后的假阳性和假阴性细分情况。

Modulate首席执行官兼联合创始人Carter Huffman表示：“无论是人工还是AI代理，呼叫运营人员都必须能够识别对话中正在发生的事情，并在互动仍在进行时作出恰当回应。”

对于联络中心而言，这项技术带来的运营优势在于，可以在对话结束前介入。如果账户变更或敏感信息披露已经发生之后才发出警告，其作用就与互动过程中即可获得的信号不同。

Velma如何整合专用音频模型

Velma采用Modulate所称的集成聆听模型（ELM）：这是一种协调多个专用模型的架构，而非完全依赖单个通用模型来解读转录文本。该公司表示，其系统整合了100多个模型，可识别情绪、语气、意图、语速和节奏、合成语音以及对话行为等信号。

其产品说明称，编排层会将较低层级的信号整合为较高层级的评估，同时保留指向底层证据的关联。带时间戳的事件可以标示对话发生变化的位置，让运营团队能够针对具体内容进行审核，而不是只看到一个缺乏解释的通话风险评分。

转录文本记录了说话内容，却无法保留每一次停顿、打断、重音变化或表达方式。Modulate的方法会将声学信息纳入分析，让开发者在了解参与者说了什么的同时，也能考察对话是如何进行的。

该公司的深度伪造检测文档从API层面展示了这一区别。文档介绍了对音频片段进行声学分类的功能，包括时间边界、判定结果和置信度评分，并支持录制文件和实时音频流。检测置信度评分是支持某项分类的证据，并不能证明来电者的身份或意图。

合成语音不等于欺诈

Modulate在其语音欺诈筛查指南中明确区分了这两个问题：深度伪造检测用于判断语音是否为合成语音，而对话分析用于评估行为。合法的AI助手可以使用生成语音；人工来电者也可能在完全没有使用语音合成技术的情况下实施社会工程攻击。

这一区别对使用辅助语音技术的人也很重要。仅凭合成语音标记，不足以将来电者视为恶意者。Modulate表示，在此次新版本中，Velma可以将该标记与意图、操纵行为、语气和对话行为相关的信号结合起来，帮助人们作出更有依据的处理决策。

实际目标是采取分级响应：对获准使用的自动化服务进行常规转接；在交易需要时增加验证；如果对话中出现可疑行为，则升级处理。检测系统提供证据，组织的政策决定如何响应。

监控AI语音代理的质量

Velma 新增的信号也针对一个不那么引人注目、但具有重要商业意义的问题：AI 智能体可能听起来很流畅，实际却提供糟糕的服务体验。Modulate 表示，这些新增信号有助于评估响应时机、音频质量和对话中的误解，而这些问题可能无法通过仅分析转录文本发现。

在其AI 护栏页面上，Modulate 将 Velma 描述为一套监控对话参与者的系统，而不是亲自充当对话智能体。客户可以根据操作流程和预期行为配置监控，然后通过 API 和 Webhook 将信号发送到现有系统。

这样一来，负责对话的系统与负责评估互动的系统便各自独立。团队可以借此调查智能体在哪些情况下引发用户不满、违反政策或未能作出恰当回应，并利用调查结果改进部署。

Twilio 的投资为双方既有合作关系再添助力

Twilio Ventures专注于人工智能、开发者工具和客户互动领域的企业，因此音频智能与其投资范围相关。Modulate 与 Twilio 早已有技术层面的联系：一则2025 年 5 月的公告介绍了 VoiceVault 和 ToxMod 产品与 Twilio 的兼容性，其中包括兼容 Twilio Media Streams 的 API，可将实时通话音频接入 Modulate 的系统。

这项新投资延续了双方的合作历史，不过公告并未表明双方达成了新的独家分销协议。Modulate 表示，这笔资金将用于支持研究、产品开发、开发者采用、合作伙伴关系以及更广泛的部署选项。

9 月的融资公告将同样的重点置于公司业务拓展的核心，推动其超越早期的语音安全应用。通过此次更新，Modulate 正在加强检测与监督之间的协同：帮助企业识别合成语音、审视相关行为，并评估其自有语音智能体是否胜任预定任务。