Modulate осигури финансиране в размер на 25 милиона долара за разширяване на своята аудио-ориентирана платформа с изкуствен интелект (ИИ), докато предприятията се изправят пред измами с дълбоки фалшификати на гласове (deepfake), кражба на самоличност и небезопасни автоматизирани разговори.

Future Ventures оглави кръга на финансиране с участието на Hyperplane и Lakestar, с което общата сума на събраните средства от компанията достигна 60 милиона долара.

Инвестицията ще ускори изследванията в областта на изкуствения интелект, инженерните разработки, инструментите за разработка, партньорствата и опциите за внедряване за организации, интегриращи гласов интелект в работните си процеси за сигурност и комуникации.

Финансирането идва в момент, когато убедителната синтетична реч прави телефонните индикатори ненадеждни. Вместо да анализира само текстовия транскрипт, технологията на Modulate анализира начина, по който се говори, включително емоция, тон, акцент, намерение, разговорно поведение и доказателства за синтетично генериране.

Тази разлика е от съществено значение при атаки от тип „вишинг“ (vishing) и фалшифициране на самоличността на ръководители, където думите могат да изглеждат безобидни, но спешността, манипулацията или изкуственият глас разкриват заплахата.

Modulate набира фонд от 25 млн. долара

Според съобщението, публикувано от Modulate, предложението на компанията е фокусирано върху Velma — платформа за разбиране на разговори в реално време, предназначена да открива събития като опити за измама, тормоз, недоволство на клиенти, нарушения на политиките и грешки от страна на гласови ИИ агенти.

Нейният основен модел Ensemble Listening Model (ELM) координира повече от 100 специализирани аудио модела, вместо да пренасочва всяка задача през един базов модел. От Modulate заявяват, че този дизайн може да осигури до 1000 пъти по-голяма ефективност при извличане на заключения (inference), докато намалява изчислителните ресурси, паметта и енергията, необходими за аудио анализ.

Откриването на дълбоки фалшификати (deepfake) е една от най-важните за сигурността възможности на платформата. Modulate съобщава за средна равностойна степен на грешка (equal error rate) от 1.104% в 14 набора от данни на Speech DF Arena към 19 август 2026 г., което съответства на 98.9% точност на откриване и първо място в този бенчмарк. Моделът с 316 милиона параметъра може да започне да връща резултати в реално време (поточни присъди) само след 2.5 секунди реч.

Въпреки това от Modulate предупреждават, че производствените системи рядко работят при прага на равностойна грешка; клиентите трябва да конфигурират праговете, използвайки свои собствени маркирани записи, тъй като по-строгото откриване може да генерира повече фалшиви аларми.

От Modulate заявяват, че нейните модели вече анализират над 10 милиона часа аудио месечно и са обработили над 600 милиона часа общо. Компанията зае и първо място в класацията Open ASR Leaderboard на Hugging Face за транскрипция, класирайки се на първо място сред 88 оценени модела през юли. Неговото API за групова транскрипция започва от 0.03 долара на час, докато откриването на deepfake се предлага на цена от 0.25 долара на час.

Капиталът ще помогне на Modulate да разшири своите API и комплекти за разработка на софтуер (SDK), да изгради специфични за индустрията модели, да добави интеграции с партньори и да поддържа различни среди за внедряване.

Компанията е насочена към предотвратяване на измами, сигурност в здравеопазването, надзор на контактни центрове, модерация на игри и социални платформи, детска безопасност и надзор на ИИ гласови агенти.

Анализът в реално време може да позволи на защитниците да подложат на проверка съмнителни обаждащи се, да ескалират рискови сесии или да спрат вредни разговори, преди да се стигне до щети, вместо да преглеждат записи след събитието.

За екипите по сигурност технологията трябва да се разглежда като слой за откриване, а не като доказателство за самоличност. Лидерството в бенчмарковете не гарантира еквивалентна производителност при компресирано телефонно аудио, непознати езици, фонов шум, атаки с повторение (replay attacks) или нови генератори на глас.

От Modulate отбелязват, че тестът не измерва поведението при предаване в реално време или пълната теснолентова телефония и обхваща предимно английски и мандарин.

Главният изпълнителен директор Картър Хъфман заяви, че гласът се превръща в основен интерфейс за изкуствения интелект, създавайки проблеми, които текстовите транскрипти не могат да разрешат. С този кръг от финансиране Modulate залага на това, че разбирането на аудио ще се превърне в основна инфраструктура за удостоверяване на обаждащите се, наблюдение на автоматизирани агенти и откриване на манипулации.

С подобряването на синтетичната реч комбинирането на аудио ИИ с многофакторна автентификация, контроли върху трансакциите и преглед от човек ще остане от съществено значение, за да се предотврати превръщането на оценката от откриването в единствена точка на отказ.