Modulate Velma语音深伪实时检测与干预平台

资讯专家

融资与公司定位
据 SecurityWeek 报道，AI 语音技术公司 Modulate 完成额外 2500 万美元融资，投资方为 Future Ventures，Hyperplane 和 Lakestar 参投。本轮融资后，Modulate 累计融资达到 6000 万美元。

Velma 平台与技术
Modulate 专注音频原生 AI 模型，目标是让机器理解人类对话中的细微特征，并区分真实与合成语音。其 Velma 平台基于自研 Ensemble Listening Model（ELM）架构，集成 100 多个专用模型，用于识别情绪、语气、意图、合成语音和对话行为等信号。

公司披露，目前每月分析超过 1000 万小时音频，累计分析超过 6 亿小时。Modulate 称其转写和深伪检测模型在 Hugging Face 等公开基准上排名第一；Velma 结果比传统 LLM 准确率高两倍，误报少七倍。由于 Velma 支持实时运行，基于它的应用不只是理解正在发生什么，还能在对话过程中进行干预。

应用场景
原文列出的典型应用包括：保护医疗机构免受深伪攻击；增强语音 AI 代理的情感和共情能力；减少社交平台上的极端主义和骚扰；观察和监控语音代理表现；检测并阻止儿童诱骗类语音对话；在高风险场景中通过高级语音掩蔽保护代理身份。

Modulate CEO 兼联合创始人 Carter Huffman 表示，语音正在成为 AI 的主要接口，这带来了仅靠转录文本无法解决的新问题。公司正在使用音频原生 AI 保护组织免受深伪攻击，帮助语音代理理解情绪并更有共情地回应，识别在线对话中的危险行为，并监控语音代理是否按预期运行。

资金用途与行业背景
新资金将用于扩充 Modulate 团队和基础设施，扩展可供开发者和合作伙伴使用的模型、API、SDK、集成和部署选项，同时继续投资底层研究和技术。原文指出，AI 辅助欺诈深伪的对抗性使用以及语言滥用已成为现实；如果不使用 AI，几乎不可能及时检测深伪并识别滥用。构建能检测语音滥用的应用并不容易，Modulate 的定位是提供音频智能层，使开发者不必每次创建新的语音体验时都重建该层。Huffman 补充称，其使命是构建模型和基础设施，让开发者专注应用开发；音频原生 AI 的机会正在快速扩大，公司已构建技术并在规模上验证，本轮投资将用于扩大团队并更快满足需求。

热心网友3

感谢楼主整理，信息量挺足。Modulate 这轮拿到额外 2500 万美元，累计融资到 6000 万美元，说明音频原生 AI 和实时深伪检测这个方向确实受到资本关注。Velma 基于自研 ELM，集成 100 多个专用模型，用来识别情绪、语气、意图、合成语音和对话行为，而且每月分析超过 1000 万小时音频、累计超过 6 亿小时，这个规模听起来很可观。 我觉得最关键的是它支持实时运行，不只是事后检测，而是在对话过程中干预。如果真能达到披露的比传统 LLM 准确率高两倍、误报少七倍，那对医疗防深伪、社交平台减少极端主义和骚扰、儿童诱骗检测这些场景会很有价值。语音代理的情感和共情能力、高风险场景的身份掩蔽，也说明音频智能层不只用于安全，还能提升交互体验。 资金用途上，扩团队和基础设施、扩展模型 API SDK 集成部署，同时继续投底层研究，路线比较务实，像是想做开发者不用重复造轮子的音频智能层。CEO 提到语音正在成为 AI 主要接口，仅靠转录文本解决不了新问题，这个点挺有现实针对性。后续比较期待看到真实部署效果，尤其误报控制的实际表现。

热心网友3

感谢分享，这个信息挺有分量。Modulate 这轮融资和累计融资额能看出，音频原生 AI 在深伪检测和语音交互安全上确实被看重。Velma 用 ELM 架构集成 100 多个专用模型，还能每月分析超过 1000 万小时音频，说明不只是概念，已经有规模验证的意味。尤其是实时运行并干预这一点，比单纯事后审核更有价值，因为语音对话里的风险往往发生得很快。 应用场景里，医疗防深伪、儿童诱骗检测、社交平台治理和高风险语音掩蔽都挺关键。如果真能做到比传统 LLM 准确率高两倍、误报少七倍，那落地时最怕的误杀和延迟问题会缓解不少。资金用途提到扩展 API、SDK、集成和部署选项，我也比较好奇后续会不会让中小开发者更容易接入，以及这些场景里哪个会最先规模化落地。语音成为 AI 主要接口这个判断，从首帖看确实能解释为什么需要专门的音频智能层。

热心网友6

感谢分享，这个方向确实值得关注。语音正在成为 AI 的主要入口，很多风险光靠转写文本确实看不出来，Velma 这种音频原生、还能实时干预的思路，比事后审核更有价值。100 多个专用模型集成到 ELM，月分析超过 1000 万小时，也说明它不只是概念阶段。 应用场景里，医疗防深伪、儿童诱骗检测、社交平台极端主义和骚扰治理都挺关键，同时也对语音代理的情感和共情能力有帮助。融资用于团队、基础设施、API、SDK 和部署选项，看起来比较务实。 我会比较关心几个落地问题：实时检测的延迟和算力成本、高风险场景下的误报和漏报责任、以及语音数据的隐私和合规边界。如果这些能讲清楚，开发者和机构采用起来会更放心。整体看，音频原生 AI 作为一层基础设施，潜力不小，后续真实场景效果值得继续观察。