Modulate برای توسعه مدل‌های صوتی ۲۵ میلیون دلار جذب کرد

استارتاپ هوش مصنوعی صوتی Modulate در ۲۸ سپتامبر اعلام کرد ۲۵ میلیون دلار سرمایه تازه جذب کرده است؛ سرمایه‌ای که به گفته شرکت برای رساندن مدل‌های صوت‌محور آن به توسعه‌دهندگان بیشتر و گسترش کاربردهای صنعتی صرف خواهد شد. Modulate می‌خواهد ابزارهایی فراهم کند که به‌جای تکیه صرف بر متنِ پیاده‌شده از مکالمه، خودِ صدای خام را تحلیل کنند؛ از جمله برای شناسایی لحن و احساس گوینده، سنجش عملکرد عامل‌های صوتی و تشخیص نشانه‌های جعل صدا.

این رویکرد با افزایش استفاده از رابط‌های صوتی و عامل‌های هوش مصنوعی اهمیت بیشتری پیدا می‌کند. متن یک مکالمه ممکن است واژه‌های گفته‌شده را ثبت کند، اما همه اطلاعاتی را که در نحوه بیان، آهنگ صدا یا نشانه‌های جعل وجود دارد نشان ندهد. Modulate می‌گوید تحلیل مستقیم صوت می‌تواند به سامانه‌ها کمک کند هنگام مکالمه، و نه فقط پس از پایان آن، به برخی از این نشانه‌ها واکنش نشان دهند.

سرمایه تازه برای گسترش دسترسی توسعه‌دهندگان

دور سرمایه‌گذاری جدید را Future Ventures رهبری کرده و سرمایه‌گذاران قبلی، Hyperplane و Lakestar، نیز در آن مشارکت داشته‌اند. طبق اعلام شرکت، با احتساب این دور مجموع سرمایه‌ای که پشتیبانان به Modulate اختصاص داده‌اند به ۶۰ میلیون دلار رسیده است. این مبلغ، دور تازه را در ادامه مسیر تأمین مالی شرکت قرار می‌دهد؛ Hyperplane پیش‌تر در دور بذری ۲ میلیون‌دلاری سرمایه‌گذاری کرده بود و Lakestar در سال ۲۰۲۲ رهبری دور سری A به ارزش ۳۰ میلیون دلار را بر عهده داشت.

کارتر هافمن، هم‌بنیان‌گذار و مدیرعامل Modulate، گفته است بخشی از برنامه شرکت این است که توسعه‌دهندگان برای افزودن قابلیت‌های صوتی به محصولاتشان ناچار نباشند هر بار لایه هوشمندی صوتی را از ابتدا بسازند. به گفته او، سرمایه تازه برای نزدیک‌کردن ابزارهای شرکت به این گروه از کاربران به کار می‌رود.

Modulate در حال آماده‌سازی کیت‌های توسعه نرم‌افزار و رابط‌های برنامه‌نویسی کاربردی تازه است. رابط برنامه‌نویسی کاربردی یا API راهی است که به نرم‌افزارهای دیگر امکان می‌دهد از قابلیت‌های یک سرویس استفاده کنند. شرکت همچنین می‌خواهد مدل‌هایی برای صنایع مشخص توسعه دهد و همکاری‌های یکپارچه‌سازی با شرکا و گزینه‌های استقرار محصولاتش را گسترش دهد. استخدام در حوزه‌های پژوهش، مهندسی و ارتباط با توسعه‌دهندگان نیز قرار است افزایش پیدا کند.

در حال حاضر، توسعه‌دهندگان می‌توانند از API موجود شرکت برای رونویسی دسته‌ای استفاده کنند؛ یعنی فایل صوتی را برای تبدیل به متن به سرویس بسپارند، نه اینکه لزوماً در همان لحظه پردازش شود. Modulate قیمت این خدمت را ساعتی ۳ سنت اعلام کرده است. این محصول یکی از راه‌های فعلی استفاده از فناوری شرکت است، در حالی که برنامه‌های تازه قرار است دسترسی به قابلیت‌های گسترده‌تر تحلیل صوت را آسان‌تر کنند.

تحلیل صدا فراتر از رونویسی

محصول شاخص Modulate، پلتفرم Velma است. این سامانه با صدای خام مکالمه کار می‌کند و طبق توضیحات شرکت، می‌تواند نشانه‌هایی از احساس، لحن و قصد گوینده را در کنار احتمال دیپ‌فیک‌بودن صدا بررسی کند. دیپ‌فیک صوتی به صدایی گفته می‌شود که با ابزارهای هوش مصنوعی ساخته یا دست‌کاری شده تا صدای فرد دیگری را تقلید کند.

ترکیب این نشانه‌ها می‌تواند برای کاربردهایی مانند هشدار درباره یک تلاش احتمالی برای کلاه‌برداری یا تشخیص زمانی که تماس‌گیرنده از تعامل با یک عامل صوتی ناراضی می‌شود به کار رود. شرکت می‌گوید بخشی از این تحلیل‌ها می‌تواند هنگام ادامه مکالمه انجام شود. این قابلیت با رونویسی معمول تفاوت دارد: رونویسی عمدتاً می‌کوشد گفتار را به متن تبدیل کند، اما تحلیل صوتی مورد نظر Modulate اطلاعات دیگری را که در سیگنال صدا وجود دارد نیز بررسی می‌کند.

هافمن با اشاره به گسترش رابط‌های صوتی گفته است صدا به یکی از شیوه‌های اصلی تعامل با هوش مصنوعی تبدیل می‌شود و این تغییر، مسئله‌هایی به وجود می‌آورد که نمی‌توان تنها با بررسی متن مکالمه حل کرد. این گفته، دیدگاه مدیرعامل شرکت درباره نیاز بازار است و به‌تنهایی معیاری مستقل برای سنجش عملکرد محصولات به شمار نمی‌رود.

از نظارت بر گفت‌وگوهای بازی تا کاربردهای امنیتی

Modulate فعالیت خود را با تعدیل گفت‌وگوهای صوتی در بازی‌های آنلاین آغاز کرد. بنا بر اعلام شرکت، شناسایی آزار و اذیت و تلاش برای فریب یا سوءاستفاده از کودکان در پلتفرم‌های اجتماعی و بازی همچنان از کاربردهای مدل‌های آن است. این سابقه نشان می‌دهد محصولات شرکت از ابتدا برای تحلیل مکالمه‌های واقعی و شناسایی رفتارهای مسئله‌ساز در صدا طراحی شده‌اند.

کاربردها به فضای بازی محدود نمانده‌اند. به گفته Modulate، برخی مؤسسات حوزه سلامت از مدل‌های آن برای بررسی تماس‌هایی استفاده می‌کنند که در آن‌ها ممکن است فردی با صدای جعلی خود را به‌جای یکی از کارکنان جا بزند. شرکت همچنین می‌گوید گروه دیگری از مشتریان، سازندگان عامل‌های صوتی هوش مصنوعی هستند که از این مدل‌ها برای ارزیابی عملکرد عامل‌هایشان بهره می‌برند.

این نمونه‌ها دو نوع نیاز متفاوت را نشان می‌دهند: یک گروه می‌خواهد خطرهای امنیتی و سوءاستفاده را شناسایی کند و گروه دیگر کیفیت تعامل یک سامانه صوتی را بسنجد. با این حال، منبع جزئیاتی درباره نام مشتریان، میزان استفاده هر صنعت یا نتایج عملی پیاده‌سازی‌ها ارائه نمی‌کند؛ بنابراین گستره پذیرش تجاری را نمی‌توان تنها بر پایه این موارد ارزیابی کرد.

معماری تخصصی و جایگاه در معیارهای عمومی

در زیرساخت Velma، معماری‌ای با نام Ensemble Listening Model قرار دارد. طبق توضیح Modulate، این معماری برای هر وظیفه از میان بیش از ۱۰۰ مدل کوچک و تخصصی صوتی انتخاب می‌کند و خروجی‌های آن‌ها را با هم ترکیب می‌کند. شرکت می‌گوید این روش می‌تواند تا ۱۰۰۰ برابر کارآمدتر از سپردن همان صوت به یک مدل بزرگ باشد. این رقم ادعای خود شرکت درباره مقایسه دو رویکرد است و منبع جزئیات بیشتری درباره روش اندازه‌گیری یا شرایط آزمون ارائه نمی‌کند.

Modulate همچنین اعلام کرده مدل‌هایش اکنون ماهانه بیش از ۱۰ میلیون ساعت صوت را پردازش می‌کنند و مجموع پردازش از آغاز فعالیت محصولات از ۶۰۰ میلیون ساعت فراتر رفته است. این ارقام تصویری از مقیاس استفاده‌ای که شرکت گزارش می‌کند ارائه می‌دهند، اما اطلاعاتی درباره توزیع این حجم میان مشتریان یا کاربردهای مختلف منتشر نشده است.

شرکت می‌گوید دو محصولش در سال جاری در رتبه‌بندی‌های Hugging Face به جایگاه نخست رسیده‌اند. مدل رونویسی آن در ماه ژوئیه در Open ASR Leaderboard در صدر قرار گرفت. Velma Deepfake Detect که در ماه مارس عرضه شد نیز در Speech Deepfake Arena جایگاه نخست را به دست آورده است. به گفته Modulate، دقت مدل تشخیص دیپ‌فیک در داده‌های معیار عمومی ۹۸٫۹ درصد بوده است. نتیجه یک معیار عمومی می‌تواند اطلاعاتی درباره عملکرد در همان آزمون بدهد، اما به‌تنهایی تضمین نمی‌کند مدل در همه شرایط، لهجه‌ها یا موقعیت‌های واقعی همین دقت را داشته باشد.

Future Ventures در این دور سرمایه‌گذاری از پیشرفت فنی Modulate و گسترش نیاز به فناوری آن، فراتر از کاربردهای اولیه، سخن گفته است. استیو جوروتسون، هم‌بنیان‌گذار این شرکت سرمایه‌گذاری، کاربرد عامل‌های هوش مصنوعی و امنیت را از حوزه‌هایی دانسته که نیاز به چنین فناوری‌ای در آن‌ها رو به گسترش است. این ارزیابی، دیدگاه سرمایه‌گذار درباره فرصت بازار است؛ برای سنجش مستقل آن باید اطلاعات بیشتری درباره مشتریان و نتایج استفاده از محصولات در دسترس باشد.

هافمن و مایک پاپاس، هم‌بنیان‌گذاران Modulate، هر دو فارغ‌التحصیل Massachusetts Institute of Technology هستند و شرکت را در سال ۲۰۱۷ راه‌اندازی کردند. جذب سرمایه تازه در ادامه فعالیتی است که از تعدیل گفت‌وگوهای بازی آغاز شده و اکنون، بر اساس توضیحات شرکت، رونویسی، تشخیص صدای جعلی و ارزیابی عامل‌های صوتی را نیز در بر می‌گیرد.

این خبر برای چه کسانی اهمیت دارد

این خبر برای توسعه‌دهندگانی اهمیت دارد که می‌خواهند قابلیت‌های صوتی را به محصولاتشان اضافه کنند، به‌ویژه اگر نیازشان از تبدیل گفتار به متن فراتر برود و تحلیل لحن، نشانه‌های جعل یا کیفیت تعامل نیز مطرح باشد. برای شرکت‌هایی که عامل‌های صوتی می‌سازند، ابزارهای ارزیابی می‌توانند بخشی از فرایند بررسی عملکرد باشند؛ و برای سازمان‌هایی که با خطر جعل هویت صوتی روبه‌رو هستند، تشخیص دیپ‌فیک یکی از کاربردهای بالقوه این فناوری است.

در عین حال، جذب ۲۵ میلیون دلار و رتبه‌های اعلام‌شده در معیارهای عمومی به‌تنهایی نشان نمی‌دهد فناوری در همه محیط‌ها به یک اندازه مؤثر است. جزئیات بیشتر درباره شرایط آزمون، عملکرد در کاربردهای واقعی و میزان پذیرش مشتریان می‌تواند به ارزیابی دقیق‌تر کمک کند. برنامه Modulate برای انتشار ابزارهای توسعه تازه و مدل‌های ویژه صنایع، نشانه‌ای از تلاش شرکت برای تبدیل تحلیل صوت تخصصی به قابلیتی قابل‌دسترس‌تر برای سازندگان نرم‌افزار است.