تصور کنید یک کلاهبردار با صدایی دقیقاً مشابه مدیرعامل شما تماس میگیرد تا دستور انتقال وجه بدهد؛ در دنیای امروز، تشخیص این تله تقریباً غیرممکن است. اما Modulate قصد دارد با استفاده از مدلهای تخصصی، مرز بین صدای واقعی و مصنوعی را برای سازمانها شفاف کند.
این استارتاپ در ۲۸ سپتامبر ۲۰۲۶ مبلغ ۲۵ میلیون دلار سرمایه جدید جذب کرد تا پلتفرم خود را برای تشخیص جعل عمیق (Deepfake) — شبیه به یک کارآگاه صوتی که لرزشهای نامرئی و غیرطبیعی صدا را شکار میکند — و تحلیل احساسات گسترش دهد. طبق اعلام این شرکت، هدف آنها ارائه مجموعهای از مدلهای زبانی کوچک (SLM) است که در صنایع تحت نظارت، اجرای سیاستها و شناسایی صداهای تولیدشده توسط هوش مصنوعی را ممکن میسازد.
همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای مولد اشاره کردیم، هرچه صداهای مصنوعی انسانیتر میشوند، ریسک کلاهبرداریهای پیچیده افزایش مییابد. در حالی که بسیاری از ابزارها فقط متن را استخراج میکنند، Modulate روی «ظرافتهای» گفتگو تمرکز کرده است؛ یعنی همان شکافی که بین «آنچه فرد میگوید» و «آنچه واقعاً حس میکند» وجود دارد.
جزئیات سرمایهگذاری و ارزشگذاری
این دور از جذب سرمایه توسط Future Ventures رهبری شد و شرکتهای Hyperplane و Lakestar نیز در آن مشارکت داشتند. این سرمایهگذاری جدید پس از جذب ۴۱ میلیون دلار سرمایه در دورههای قبلی صورت گرفته است. بر اساس دادههای PitchBook، ارزش این استارتاپ پیش از این تزریق سرمایه، ۱۷۰ میلیون دلار برآورد شده بود.
ریشه و تکامل شرکت
این شرکت در سال ۲۰۱۷ توسط مایک پاپاس و کارتر هافمن، فارغالتحصیلان فیزیک MIT، تأسیس شد. Modulate در طول سالها تکامل یافته و چندین مرحله تغییر مسیر را پشت سر گذاشته است. در روزهای ابتدایی، تمرکز شرکت بر ارائه قابلیتهای تغییر صدا (Voice Modulation) برای صنعت بازیهای ویدئویی بود. سپس مسیر خود را به سمت ابزارهای نظارت صوتی (Voice-based Moderation) تغییر داد و در نهایت به تمرکز فعلی خود یعنی تشخیص تولیدات صوتی هوش مصنوعی و تحلیل قصد کاربر رسید.
معماری فنی و استراتژی مدلها
Modulate اکنون از ارکستراسیونی پیچیده متشکل از بیش از ۱۰۰ مدل استفاده میکند که به دو دسته اصلی تقسیم میشوند:
- مدلهای استخراج سیگنال: این مدلها احساسات، لحن و زبان را تحلیل کرده و تعیین میکنند که آیا یک صدا مصنوعی است یا خیر.
- مدلهای تحلیل و تشخیص: این بخش قصد تماسگیرنده را شناسایی کرده، کلاهبرداریهای احتمالی را ردیابی میکند یا تخلفات از قوانین را علامتگذاری میکند.
به نقل از کارتر هافمن، استفاده از مدلهای کوچک بهجای مدلهای زبانی بزرگ (LLM) — که مثل کتابخانهداری هستند که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهند — باعث میشود Modulate نیازی به سختافزارهای گرانقیمت و محاسبات سنگین نداشته باشد. این رویکرد بهینه در مقابل مدلهای غولپیکر، مشابه استراتژیهایی است که در اروپا برای توسعه هوش مصنوعی حاکمیتی و مستقل توسط Mistral دنبال میشود تا وابستگی به زیرساختهای متمرکز کاهش یابد. این معماری اجازه میدهد شرکت بدون پرداخت هزینههای سرسامآور توکن (Token) — تکههای کوچکی از متن شبیه برشهای کیک که مدل میخورد — قابلیتهای جدیدی را به سامانه اضافه کند. این یک مزیت استراتژیک است، زیرا هزینههای توکن در سراسر صنعت در حال افزایش است.
کاربردهای سازمانی و تحلیل احساسات
این پلتفرم در حال حاضر به طیف متنوعی از مشتریان خدمات میدهد و بهطور تخصصی به مراکز تماس کمک میکند تا کلاهبرداریهای جعل عمیق و حملات سایبری صوتی را شناسایی کنند. همچنین، Modulate عاملهای (Agent) هوش مصنوعی را بازرسی میکند تا مطمئن شود در بخشهای حساس و تحت نظارت، قوانین سختگیرانه انطباق (Compliance) را رعایت میکنند.
ارزش اصلی این ابزار برای کسبوکارها، عبور از تحلیلهای ساده و دوتایی «مثبت یا منفی» است. هافمن توضیح میدهد که مشتریان اغلب با رباتهای هوش مصنوعی مودب هستند، اما در عین حال شدیداً ناراضیاند. ابزارهای Modulate تلاش میکنند این نارضایتی پنهان و جزئی را شکار کنند تا دلیل شکست یا موفقیت یک تماس مشخص شود.
هافمن در این باره میگوید: «فکر میکنم وقتی شرکتها به تحلیل احساسات فکر میکنند، تصور میکنند اگر مشتری خنثی یا مثبت بود، تماس موفق بوده و اگر مشتری منفی بود، تماس شکست خورده است. اما در واقع، بسیاری از اوقات مردم حتی با عاملهای هوش مصنوعی یا رباتها مودب هستند... آنها عصبانی به نظر نمیرسند، اما بسیار ناراضیاند.»
این قابلیت به شرکت اجازه میدهد به عنوان یک لایه تحلیلی در کنار زیرساختهای صوتی موجود هر سازمان قرار بگیرد. این استارتاپ که اکنون ۴۰ تا ۴۵ کارمند دارد، قصد دارد ۱۰ متخصص دیگر برای تقویت تلاشهای مدلسازی خود استخدام کند.
همچنین برای رفع نگرانیهای فزاینده در مورد حریم خصوصی، Modulate در حال توسعه قابلیتهای استقرار درونسازمانی (On-premises) و استقرار روی دستگاه (On-device) است. این تغییر رویکرد به سازمانها اجازه میدهد دادههای حساس صوتی را بدون ارسال به ابر (Cloud) تحلیل کنند.
با تبدیل شدن عاملهای هوش مصنوعی به رابط اصلی خدمات مشتریان، توانایی تشخیص انسان از ربات — و تشخیص یک مشتری راضی از یک مشتری مودب اما ناراضی — به یک معیار حیاتی برای کسبوکارها تبدیل میشود.
گام بعدی شما
- اگر مدیر محصول یا مسئول امنیت هستید، بررسی کنید که آیا لایههای تشخیص جعل عمیق در سیستمهای پاسخگویی شما فعال است یا خیر.
- روی ابزارهای تحلیل احساسات «پنهان» سرمایهگذاری کنید تا نرخ ریزش مشتریانی که «مودب اما ناراضی» هستند را کاهش دهید.
- استقرار مدلهای کوچک (SLM) را برای کاهش هزینههای استنتاج در سازمان خود بررسی کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو