Modulate huy động 25 triệu USD cho bộ mô hình giọng nói và phân tích hội thoại

Startup Modulate có trụ sở tại Boston vừa huy động thành công 25 triệu USD cho nền tảng trí tuệ giọng nói của mình. Nền tảng này sử dụng một tập hợp nhiều mô hình nhỏ để cung cấp cho doanh nghiệp các dịch vụ phiên âm, phân tích cảm xúc, phát hiện deepfake và nhạc do AI tạo ra, đồng thời giám sát việc tuân thủ quy định đối với các tác nhân giọng nói (voice agent) trong những lĩnh vực chịu quản lý chặt chẽ.

Khoản đầu tư mới phản ánh một xu hướng đang được giới đầu tư ưa chuộng trong ngành AI giọng nói đang tăng trưởng mạnh: rót vốn vào những công ty tìm cách làm cho giọng nói AI nghe tự nhiên và giống người hơn. Đồng thời, Modulate cũng cạnh tranh với các doanh nghiệp đang nỗ lực nhận diện ý định đằng sau các cuộc trò chuyện của con người, cũng như những đơn vị bảo vệ cá nhân và tổ chức khỏi các cuộc gọi deepfake — vấn đề ngày càng nhức nhối khi việc sao chép giọng nói giờ đây trở nên vô cùng dễ dàng.

Ai đứng sau vòng gọi vốn này?

Vòng gọi vốn mới do Future Ventures dẫn dắt, với sự tham gia của Hyperplane và Lakestar. Dữ liệu từ PitchBook cho thấy trước vòng này, Modulate đã huy động tổng cộng 41 triệu USD với mức định giá 170 triệu USD.

Startup được thành lập năm 2017 bởi Mike Pappas và Carter Huffman, hai người gặp nhau khi còn là sinh viên vật lý tại MIT. Những ngày đầu, công ty tập trung cung cấp giải pháp biến đổi giọng nói cho lĩnh vực game. Về sau, họ chuyển hướng sang công cụ kiểm duyệt dựa trên giọng nói. Và khi các mô hình AI giọng nói bùng nổ, Modulate lại đặt trọng tâm vào việc phát hiện các loại âm thanh do AI tạo ra và phân tích ý định ẩn sau lời nói của con người.

"Góc nhìn của chúng tôi về thị trường AI giọng nói là rất nhiều người đang làm phiên âm, nhưng gần như chưa có năng lực nào nắm bắt được trọn vẹn sắc thái và sự thấu hiểu đầy đủ của một cuộc trò chuyện — điều cực kỳ quan trọng khi bạn đang nói chuyện với một người khác", Huffman chia sẻ với TechCrunch.

Nền tảng phân tích giọng nói của Modulate

Hơn 100 mô hình nhỏ, hai nhóm chức năng chính

Hiện Modulate vận hành hơn 100 mô hình, chia thành hai nhóm chính:

• Mô hình trích xuất tín hiệu: nắm bắt cảm xúc, giọng điệu, ngôn ngữ và xác định giọng nói tổng hợp.
• Mô hình phân tích và phát hiện: đánh giá ý định, chẳng hạn khách hàng đang muốn nói điều gì, người gọi có vi phạm quy định hay không, hoặc liệu họ có đang cố lừa đảo người nhận hay không.

Huffman cho biết vì chạy các mô hình nhỏ, công ty không cần phần cứng chuyên dụng hay khối lượng tính toán khổng lồ — yếu tố có thể trở nên then chốt khi chi phí token tăng cao. Ngoài ra, việc huấn luyện mô hình với năng lực mới, bổ sung vào hệ thống và để một bộ điều phối (orchestrator) gọi chúng khi cần cũng trở nên đơn giản hơn nhiều.

Khách hàng đa dạng, tập trung vào chống lừa đảo

Modulate có tệp khách hàng khá đa dạng, nhưng đặc biệt mạnh ở mảng phát hiện deepfake và cảnh báo các tổ chức như trung tâm cuộc gọi về nguy cơ lừa đảo. Nền tảng cũng giám sát cách các tác nhân AI phản hồi khách hàng để đánh giá chất lượng cuộc gọi, đồng thời đảm bảo AI tuân thủ các quy định trong những lĩnh vực chịu quản lý. Nhờ những sản phẩm này, Modulate thường nằm song song với hệ thống giọng nói mà doanh nghiệp đang dùng, chỉ để phân tích các cuộc gọi.

Khi ngày càng nhiều doanh nghiệp ứng dụng AI vào chăm sóc khách hàng, việc hiểu rõ vì sao một cuộc gọi thành công hay thất bại trở nên quan trọng. Trong bối cảnh đó, đánh giá ý định và phản ứng của khách hàng vượt xa mức phân tích thông thường. Huffman khẳng định Modulate có thể cung cấp cho doanh nghiệp dữ liệu chi tiết đến từng điểm nhỏ quanh vấn đề này.

"Tôi nghĩ khi các công ty nghĩ về phân tích cảm xúc, họ thường cho rằng nếu khách hàng trung lập hoặc tích cực thì cuộc gọi thành công, còn nếu tiêu cực thì thất bại. Nhưng thực tế, nhiều khi người ta vẫn tỏ ra lịch sự ngay cả với tác nhân AI hay bot. Họ không hề tỏ ra tức giận, nhưng thực chất lại vô cùng không hài lòng", ông nói.

Ngoài ra, công ty cho biết công nghệ của họ còn được dùng để giám sát các cuộc tấn công mạng thông qua gọi điện thoại.

Kế hoạch mở rộng

Modulate hiện có khoảng 40-45 nhân viên và đặt mục tiêu bổ sung thêm 10 người trong những tháng tới để củng cố mảng xây dựng mô hình. Startup cũng đang đẩy mạnh khả năng triển khai tại chỗ (on-premises) và trên thiết bị (on-device) nhằm nâng cao tính bảo mật và quyền riêng tư.

Đối với thị trường Việt Nam, nơi các trung tâm chăm sóc khách hàng và dịch vụ tài chính - ngân hàng đang số hóa mạnh mẽ, những giải pháp như của Modulate có thể là lời giải cho bài toán chống lừa đảo qua điện thoại và đảm bảo chất lượng dịch vụ tự động. Khi các mô hình AI giọng nói tiếng Việt ngày càng phổ biến, nhu cầu phát hiện giọng nói giả mạo và phân tích ý định khách hàng chắc chắn sẽ không còn là câu chuyện riêng của phương Tây.