Firma Modulate, działająca w obszarze audio AI, pozyskała dodatkowe finansowanie w wysokości 25 mln USD, aby rozbudować technologię służącą do identyfikowania syntetycznej mowy, szkodliwych rozmów i innych zagrożeń związanych z głosem w czasie rzeczywistym.
Rundzie przewodził Future Ventures, a udział w niej wzięły również Hyperplane i Lakestar. Modulate poinformowała, że inwestycja zwiększa łączną kwotę jej finansowania do 60 mln USD.
Firma rozwija modele AI skoncentrowane na dźwięku dla swojej platformy Velma, której celem jest ocena cech mogących umknąć samej transkrypcji tekstowej. Sygnały te obejmują ton, emocje, intencje, zachowania konwersacyjne oraz wskaźniki mowy generowanej przez AI.
Modulate poinformowała, że jej system łączy ponad 100 wyspecjalizowanych modeli zbudowanych w oparciu o architekturę Ensemble Listening Model. Według firmy platforma przetwarza ponad 10 mln godzin dźwięku miesięcznie i przeanalizowała łącznie ponad 600 mln godzin. Firma stwierdziła również, że jej modele transkrypcji i wykrywania deepfake’ów osiągały bardzo dobre wyniki w publicznych testach porównawczych, choć twierdzenia te nie zostały niezależnie zweryfikowane w ogłoszeniu.
Koncentracja na interwencji w czasie rzeczywistym
Klonowanie głosu i inne formy syntetycznego dźwięku stają się coraz większym problemem dla organizacji korzystających z centrów obsługi telefonicznej, asystentów głosowych i zautomatyzowanych systemów obsługi klienta. Oszuści mogą wykorzystywać przekonujące syntetyczne głosy w schematach socjotechnicznych, a zmienione lub maskowane głosy mogą również utrudniać moderację oraz weryfikację tożsamości.
Modulate twierdzi, że Velma została zaprojektowana z myślą o wykrywaniu na żywo, umożliwiając klientom reakcję w trakcie interakcji, a nie dopiero po przeanalizowaniu nagrania. Wśród potencjalnych zastosowań wskazywanych przez firmę są identyfikowanie oszustw wykorzystujących deepfake’i, wymierzonych w organizacje ochrony zdrowia, wykrywanie nękania lub treści ekstremistycznych na platformach komunikacyjnych, ochrona narażonych użytkowników przed rozmowami o charakterze groomingu oraz ocena zachowania głosowych agentów AI.
Firma przedstawia tę technologię także jako sposób na pomoc aplikacjom głosowym w rozpoznawaniu emocji i poprawie sposobu, w jaki zautomatyzowani agenci reagują na użytkowników. Takie wdrożenia mogą wymagać starannego nadzoru, zwłaszcza gdy systemy analizują wrażliwe rozmowy lub podejmują decyzje wpływające na użytkowników w czasie rzeczywistym.
Plany inwestycyjne
Modulate poinformowała, że wykorzysta nowy kapitał do rozwoju zespołu i infrastruktury, rozszerzenia oferty modeli oraz opracowania dodatkowych API, zestawów SDK, integracji i opcji wdrożeniowych dla deweloperów i partnerów.
Dyrektor generalny i współzałożyciel Carter Huffman powiedział, że dźwięk wymaga analizy wykraczającej poza pisemną transkrypcję, szczególnie w miarę jak głos staje się coraz powszechniejszym interfejsem dla systemów AI. Finansowanie odzwierciedla utrzymujące się zainteresowanie inwestorów narzędziami mającymi przeciwdziałać nadużyciom generatywnej AI, w tym coraz łatwiej dostępnym możliwościom klonowania głosu.
