Modulate، استارتاپ بوستونی فعال در حوزه‌ی هوش صوتی، ۲۵ میلیون دلار سرمایه‌ی جدید دریافت کرد. این دورِ سرمایه‌گذاری توسط Future Ventures رهبری شد و Hyperplane و Lakestar هم در آن مشارکت داشتند. طبق داده‌های PitchBook، این شرکت پیش از این دور، مجموعاً ۴۱ میلیون دلار در ارزیابی ۱۷۰ میلیون دلاری جذب کرده بود.

Modulate در سال ۲۰۱۷ توسط Mike Pappas و Carter Huffman — دو فارغ‌التحصیل فیزیک MIT — تأسیس شد. این شرکت ابتدا روی مدولاسیون صدا برای بازی‌های ویدئویی تمرکز داشت و بعد به ابزار نظارت صوتی تغییر مسیر داد. حالا با رشد مدل‌های صدای هوشمند، روی دو جبهه کار می‌کند: تشخیص انواع صدای تولیدشده توسط هوش مصنوعی و تحلیل نیت پشت کلمات گوینده.

Huffman در گفت‌وگو با TechCrunch توضیح داد که پلتفرم Modulate بیش از ۱۰۰ مدل کوچک اجرا می‌کند که در دو دسته‌بندی اصلی قرار می‌گیرند:

این شرکت ادعا می‌کند که چون از مدل‌های کوچک استفاده می‌کند، به سخت‌افزار تخصصی و محاسبات سنگین نیاز ندارد. Huffman گفت که این رویکرد وقتی هزینه‌ی توکن‌ها بالا می‌رود حیاتی است و همچنین افزودن ظرفیت‌های جدید به مجموعه‌ی مدل‌ها را ساده‌تر می‌کند.

مشتریان Modulate عمدتاً مراکز تماس و سازمان‌های قانون‌مند هستند. این شرکت علاوه بر تشخیص دیپ‌فیک و هشدار کلاه‌برداری، کیفیت پاسخ‌های ایجنت‌های صوتی را هم پایش می‌کند. Modulate همچنین اعلام کرده که فناوری‌اش برای نظارت بر حملات سایبری از طریق تماس‌های صوتی هم استفاده می‌شود.

این استارتاپ در حال حاضر ۴۰ تا ۴۵ کارمند دارد و قصد دارد در ماه‌های آینده ۱۰ نفر به تیم مدل‌سازی اضافه کند. Modulate روی گسترش قابلیت‌های استقرار on-premises و on-device هم کار می‌کند تا حریم خصوصی داده‌ها حفظ شود.

برای کسی که ایجنت صوتی می‌سازد، این خبر یعنی چه#

مهم‌ترین پیام Modulate این نیست که ۲۵ میلیون دلار گرفته، بلکه الگوی فنی‌اش است: به‌جای یک مدل بزرگ، ۱۰۰ مدل کوچک با یک orchestrator. اگر همین حالا ایجنت صوتی در محیط تولید دارید و هزینه‌ی inference برایتان دغدغه است، این رویکرد نشان می‌دهد که می‌توان بدون GPUهای تخصصی هم تحلیل لایه‌ای روی صدا انجام داد. اما یک هشدار هم دارد: Huffman خودش تأکید می‌کند که تحلیل احساسی ساده (مثبت/منفی/خنثی) گمراه‌کننده است، چون مشتری ممکن است مؤدب باشد ولی کاملاً ناراضی. اگر ابزار فعلی‌تان فقط sentiment score می‌دهد، این خبر تأیید می‌کند که آن عدد به‌تنهایی تصمیم‌گیری را گمراه می‌کند. از طرف دیگر، قابلیت‌های on-device هنوز در دسترس نیست و در فاز توسعه است، پس فعلاً برای سازمان‌هایی که داده‌های صوتی حساس دارند، گزینه‌ی عملی محسوب نمی‌شود.

منبع: TechCrunch AI