Modulateレビュー【2026年】Velmaの判定と音声時間の料金

Modulateは、音声を文字に起こす前の段階で、声そのものを解析する製品です。公式サイトの題名は「Modulate | Frontier voice AI company」、見出しは「Audio-native AI that powers conversational understanding」（2026年11月4日確認）。中核はVelmaというモデル群で、公式は150以上の振る舞いを検出すると説明しています。料金は処理した音声の時間を基準にした従量課金で、100クレジットが1.00ドルです。この記事は実際の音声を流した検証ではなく、2026年11月4日に確認できた公開情報だけを材料にした整理です。判定の的中率と日本語音声への適性は未検証です。

Modulateとは何か。文字起こしの手前を読む音声AI

Modulateは、音声を「言葉の入れ物」ではなく「信号」として扱う製品です。公式の見出しは「Audio-native AI that powers conversational understanding」で、会話の理解を名乗っています。中核にあるのはVelmaというモデル群で、公式は「Ensemble Listening Model」という考え方を説明しています。何を言ったかに加えて、どう言ったかを合わせて読む、という設計です。この一文が、文字起こしを主軸に置く製品との違いを最もよく表しています。

音声には、言葉に変換すると消える情報があります。声の震え、間の長さ、語気の強さ、笑い声、背景の音。文字起こしは、これらを落として文章にする工程です。問い合わせの内容を要約するには向いているのですが、相手が怒っているか、怯えているか、別人の声かは、文字にすると見えにくくなります。Modulateは、この落ちる前の層を扱う製品だと読めます。

用途として公式が並べているのは、詐欺の防止、AIエージェントの監視、ポリシー違反の検出、音声エージェントの会話分析、利用者の安全、コンタクトセンターの品質管理です。共通しているのは、会話の中身ではなく、会話の起き方に目を向けていることです。金融の電話窓口で別人の声を疑う、ゲームのボイスチャットで嫌がらせを拾う、AIエージェントが手順を飛ばしていないかを見る。どれも、文字に起こしただけでは判断しにくい場面です。

ここで一度、用語を噛み砕きます。「振る舞い」は、会話の中で検出したい出来事の単位です。威圧的な口調、途中で何度も遮る、急に丁寧になる、背景に別の人の声が入る。こうした項目をあらかじめ定義しておき、音声がその条件に当てはまるかを判定する形になります。公式の150以上という数字は、この項目の多さを示すものです。項目が多いほど細かく拾えますが、そのぶん誤検知も増えるため、運用側の調整が必要になります。

法人向けのModulate Platformとは別に、ToxModという製品が用意されています。ゲームやSNSの音声チャットを対象にした、信頼安全のための製品です。不特定の利用者が集まる場所では、通話の記録を前提にした運用ができません。そのため、流れている音声をその場で見て、通報につなげる作りになります。同じ判定の技術を、録音前提の業務と、流れる音声の業務に分けて出している形です。

録音資産がどれだけあるかで適性が決まる

この製品の費用は、処理した音声の時間に比例します。つまり、対象になる録音がどれだけあるかが、そのまま費用の大きさになります。すでにコンタクトセンターの通話を全部録っている組織は、対象が最初から決まっています。逆に、これから音声を集める段階の組織は、費用をかけて何を確かめるのかが曖昧になります。録音が資産になっている組織ほど、この製品の費用対効果は読みやすくなります。音声を新しく作る用途、たとえばナレーションの生成や読み上げには、この製品は向きません。

Velmaは何を判定するのか。4つの区分を分解する

公式ページでは、モデルが4つの区分に整理されています。Detect、Transcribe、Redact、Triageです。公式の説明では5つのモデル群とされているため、区分の数え方には幅があります。ここではページに並ぶ順に、何を扱うのかを見ます。製品の全体像をつかむには、この4つで十分です。

Detectは、音声から信号を取り出す層です。合成音声や声の複製の検出、AIが作った音楽や歌の検出、話している言語の判定、感情の読み取り、なまりの判定、拍手や物音のような非音声の検出が並びます。留守番電話に当たったことの判定も、この層に入っています。単体で使うことも、後段の判定の材料にすることもできる構成です。

Transcribeは文字起こし、Redactは個人情報の除去、Triageは会話全体の評価です。Triageには Velma Triage と Velma Triage Mini、そしてToxMod Triageの3つが並びます。Miniは軽い判定に寄せた下位モデル、ToxModはゲームやSNSの信頼安全向けで、通報への対応を想定した製品です。Velma Triageは、会話全体を見て、人の確認が要る箇所を浮かび上がらせる層だと説明されています。

4つを並べて分かるのは、単体の判定より、組み合わせに価値があるという設計です。声が合成らしいという判定だけでは、誤検知のときに根拠が弱い。会話の流れ、感情の推移、言語、背景の音。複数の信号を重ねて、初めて「この通話は確認が要る」と言えます。公式が「Ensemble」という言葉を使っているのは、この重ね合わせを売りにしているためだと読めます。

モデルが分かれていることは、費用の面でも意味を持ちます。すべての通話に重い判定をかけると、時間あたりの単価が高いモデルが全体に乗ります。軽い判定でふるいにかけ、残ったものだけ重い判定に回す設計にすれば、処理時間を抑えられます。この段階設計ができるかどうかで、同じ録音量でも請求は変わります。公式がMiniという下位モデルを用意しているのは、この使い方を想定しているためだと考えます。

文字起こしだけで足りる業務かどうかの分かれ目

判断は単純です。会話の内容だけを後から読めれば足りるなら、文字起こしの製品で間に合います。声の状態や、言葉にならない音に意味があるなら、この層が必要になります。たとえば、通話の要約を作りたいだけなら前者です。オペレーターへの暴言を拾いたい、なりすましを疑いたい、AIエージェントが手順を飛ばしていないかを見たいなら後者になります。「内容が分かれば足りる」のか「言い方に意味がある」のかで、製品の階層が変わります。ここを混ぜたまま比較すると、安い文字起こしで足りる業務に高い判定を載せることになります。

料金は「処理した音声の時間」で決まる

Modulateの料金は、席数でも回数でもなく、処理した音声の時間を基準にしています。公式の料金ページには「Pay by the hour」と明記され、すべてのモデルが従量課金で自己申告なく始められると書かれています。単位はクレジットで、100クレジットが1.00ドルです（2026年11月4日確認）。この構造を押さえると、見積もりの作り方が決まります。

モデルごとに1時間あたりのクレジット数が違い、同じ音声でもどのモデルに通すかで費用が変わります。公式ページには用途別の単価が並び、文字起こし系は安く、会話全体の評価は高く設定されています。個別のモデル名と単価の対応は、公開情報だけでは読み切れない部分があるため、ここでは金額を断定しません。契約前に、使うモデルの一覧と単価を並べた表をもらうのが確実です。

声質や合成音声の検出には、最低額の決まりがあります。1回のAPI呼び出しにつき最低0.05ドルで、音声がどれだけ短くてもこの額は発生します。短い音声を大量に投げる使い方では、時間あたりの計算より、この最低額のほうが効いてきます。1秒の判定を1万回呼ぶような設計では、見積もりが別物になるため注意が要ります。

年額でクレジットをまとめて買うと、1クレジットあたりの単価が下がる段が用意されています。公式ページには段ごとの条件と保証が並びますが、金額はここでは扱いません。まとめ買いは単価が下がる一方で、使い切れなかったときの扱いが論点になります。翌月に繰り越せるのか、期限があるのか。この条件を確認せずに年額を選ぶと、使わないクレジットを抱えることになります。表示は地域・支払い周期・為替で変わるため、契約前に公式サイトの料金表を確認してください。

見積もりの作り方は3段です。対象になる音声の合計時間を月ごとに出す。どのモデルに何割を通すかを決める。最低額が効く呼び出しの回数を数える。この3つが揃えば、おおよその請求額が出せます。逆に、この3つが曖昧なまま単価だけを見ても、比較の表は作れません。

時間の数え方にも確認が要ります。無音の区間、保留音、待ち時間を時間に含めるのかどうかで、対象の合計は変わります。通話の録音は、話している時間より、黙っている時間のほうが長いことが珍しくありません。ここを確認せずに見積もると、実際の請求で想定の差が出ます。録音の長さをそのまま積むのか、発話の区間だけを数えるのかを、最初に聞くべきです。

短い音声を大量に処理する使い方が向くか

向き不向きは、音声の長さの分布で決まります。通話のように1件が数分あるなら、時間あたりの課金は素直に効きます。一方、数秒の音声を大量に判定する使い方では、1回あたりの最低額が支配的になります。この場合、時間あたりの単価が安くても、総額は別の形で膨らみます。音声の長さの分布を見ずに単価を比べると、見積もりは必ず外れます。平均の長さではなく、短い音声が何割を占めるかを見てください。

評価できるところ。判定の材料が音声側に揃っている

• 言葉に落ちる前の信号を扱える。文字起こしでは消える情報を判定に使える
• 用途ごとにモデルが分かれている。軽い判定と重い判定を組み合わせて費用を抑えられる
• 音声と文字起こしの両方から個人情報を除去できる。保存の前処理として使いやすい
• 文字起こし、感情、言語、非音声イベントが同じAPIの体系に収まっている
• ゲームやSNSの通報対応に寄せたToxModがあり、用途が具体的

評価したいのは、判定の単位が現場の言葉に近いことです。「感情スコアが0.7」と言われても、現場は動けません。「この通話は要確認」と言われれば、動けます。公式の画面例でも、詐欺の疑い、本人確認の不一致、手順の飛ばしという形でアラートが並んでいます。判定を業務の言葉に翻訳して出す設計は、現場で使われるかどうかを左右します。

二つ目は、前処理と判定が同じ場所にあることです。音声を保存する前に個人情報を消し、そのうえで判定をかける。この順序を別々の製品で組むと、消し漏れと二重処理が起きます。同じAPIの体系で順序を組めるのは、運用の設計として素直です。特に医療や金融のように、保存の条件が厳しい領域では効いてきます。

三つ目は、用途の絞り方です。汎用の音声AIとして何でも扱うと名乗るより、詐欺、監視、通報、品質管理という場面を先に示すほうが、導入する側は自社のどの業務に当てるかを決めやすくなります。機能の一覧より、使う場面の一覧のほうが役に立つことがあります。この製品の見せ方は、その好例だと感じます。

もう一つ、見落としやすい強みがあります。判定の結果を、そのまま次の工程に渡せる形で返す設計になっている点です。アラートを人が読むだけで終わらせず、通話の記録に印を付け、教育の材料に回し、ポリシーの見直しにつなげる。この流れを作れると、判定は監視ではなく改善の道具になります。監視のための製品は、使われるほど現場の負担が増える方向に傾きがちです。改善に回せる設計かどうかは、長く使えるかを左右します。

気になるところ。誤検知の扱いが運用の重さになる

• 判定の精度を公開情報では確かめられない。自社の音声で試すまで分からない
• 誤検知が多いと、確認する人の負担が増える。アラートを捨てる運用に傾きやすい
• 個別モデルの単価と名前の対応が読み取りにくい。見積もりの前提を自分で作れない
• 日本語の音声に対する適性が未検証。感情やなまりの判定は言語の影響を受けやすい
• 音声の保存と送信の経路を設計する必要がある。既存の録音基盤との接続が発生する
• 用途が信頼安全に寄るため、人事や品質管理の文脈で使うと説明が難しい

一番の引っかかりは、精度を外から確かめられないことです。公式には判定の考え方と用途が丁寧に書かれています。ところが、自社の音声でどれだけ当たるかは、流してみるまで分かりません。しかも音声は、マイク、回線、周囲の騒音、話す速度で性質が変わります。公表された条件での成績と、自社の録音での成績は別物だと考えるべきです。

二つ目は、誤検知の処理です。アラートが出る製品は、出た後の仕事を設計しないと使われません。誰が確認し、何分以内に返し、判断の記録をどこに残すのか。この3つが決まっていないと、最初の1週間でアラートが読まれなくなります。精度より先に、確認の手順を決めるべきだと考えます。判定は材料であって、結論ではありません。

三つ目は、日本語の扱いです。感情の読み取りや、なまりの判定は、言語と文化の影響を受けます。公式は多言語の文字起こしを挙げていますが、感情やトーンの判定が日本語で同じように働くかは公開情報では分かりません（未検証）。日本語の会話を対象にするなら、50件ほどを人が採点し、判定と突き合わせる作業が要ります。この作業を飛ばすと、精度の議論が印象論になります。

音声は、文字より扱いが重いデータです。容量が大きく、個人の識別につながりやすく、削除の依頼にも丁寧な対応が要ります。判定のために外部へ送る設計にするなら、送る範囲を最小にする工夫が欠かせません。必要な区間だけを切り出す、個人情報を先に消す、保存期間を短くする。この3つは、製品の機能とは別に、自社の側で決める項目です。

誤検知を運用で吸収できるかどうか

判定を使う製品は、当たるかどうかより、外したときに回るかどうかで決まります。誤検知を人が確認する余力があるか。見逃しが起きたときに、責任の所在を説明できるか。この2つに答えられないまま導入すると、現場は製品を信じなくなります。誤検知の確認工数まで含めて見積もれるかが、導入の成否を分けます。アラートの件数が読めないなら、最初は対象の通話を絞って始めるべきです。

ElevenLabs・Deepgram・Hume AIとの違いは？役割で分ける

音声AIと一口に言っても、扱う層が違います。声を作る層、声を文字にする層、声の状態を読む層、そして声で会話する層です。Modulateは3つ目に位置します。同じ表に入れて比べると、機能の数だけが目に入り、自社に必要な層が見えなくなります。ここでは役割の違いだけを整理します（各社の詳細は未検証）。

文字起こしを主目的にするなら、DeepgramやAssemblyAIのような専業のほうが素直です。長い会話を安く早く文字にする用途では、そちらの設計が合っています。モデルの判定を後段に足したいとき、Modulateを重ねる形が考えられます。どちらか一方を選ぶ話ではなく、工程を分けて持つ話です。

感情の読み取りで名前が挙がるのがHume AIです。声の抑揚から感情を推定する考え方は近い領域にあります。どちらが上かは、自社の音声で試さないと判断できません（未検証）。選ぶときは、扱える言語、返ってくる形式、そして誤検知の傾向を同じ条件で比べる必要があります。

通話の受け答えまでを担うならVapiのような実行層と組み合わせます。会話の中で危険な発話を検知し、その場で人に渡す。こうした制御は、判定の層と実行の層が分かれているからこそ組めます。通話の品質を保つために雑音を抑えるKrispのような前処理も、この並びに入ります。文字起こしの結果を要約したいだけならChatGPTに渡す形でも足ります。

候補を減らす手順は、層を決めてから名前を並べる順序です。自社に足りないのが文字起こしなのか、判定なのか、実行なのかを先に決めます。足りない層が決まれば、同じ層の製品だけを比べればよくなります。層をまたいで並べると、機能の数が多い製品が良く見えるだけで、判断は進みません。この順序を守るだけで、比較にかかる時間は大きく減るはずです。

判定の層を買うのか、工程ごとに揃えるのか

判断の軸は、社内に音声の専門知識があるかどうかです。判定の項目を自分で定義し、誤検知を調整できる体制があるなら、工程ごとに製品を選ぶほうが自由度は高い。そこまで手が回らないなら、判定まで含めて1社に寄せたほうが立ち上がりは速い。Modulateは後者に寄った製品で、用途ごとのテンプレートを前提にしています。自分で項目を設計できるかどうかが、単品で揃えるかまとめて買うかの分かれ目です。設計できるのにまとめて買うと、不要な機能に費用を払い続けることになります。

導入前に決めること。PoCで測る3つ

契約の前に確認したいのは、音声がどこを通るかです。録音が保存されている場所から、判定のためにどこへ送られ、処理後に何が残るのか。個人情報を消す工程を前に入れるのか、後ろに置くのか。この3つは、料金表ではなく構成図の問題です。ここを決めずに精度の話をすると、後から構成を作り直すことになります。

PoCの設計は3段で組みます。対象の通話を1種類に絞る。過去の音声から、該当する事象が起きた例と起きていない例を、それぞれ50件ほど集める。同じ音声を判定に通し、当たりと外れの内訳を人が付ける。この形なら、精度の議論を数字でできます。件数を増やすより、内訳を細かく見るほうが判断に効きます。

測る指標は3つに絞ります。見逃しの件数、誤検知の件数、そして確認にかかった時間です。この3つが揃えば、費用と効果を同じ表に載せられます。特に3つ目は忘れられがちですが、アラートを処理する人の時間が増えれば、製品の価値は相殺されます。精度が高くても、確認に追われる運用は続きません。

本番に進む前に、アラートの捨て方を決めます。すべてを確認する運用は、最初の1か月は回ります。2か月目に件数が増えたとき、優先順位の基準がないと崩れます。重大度の段と、確認する順番、そして記録の残し方。この3つを文書にしておくと、担当者が変わっても運用が続きます。

契約の単位も、用途によって変わります。月ごとの従量で始めるか、年額でクレジットをまとめるか。検証の段階では従量、本番の見込みが立ったらまとめ買い、という順序が無難です。まとめ買いは単価が下がる代わりに、使わなかった分の扱いが問題になります。繰り越しの可否と期限を、契約の前に文書で確認してください。

日本語の音声で判断してよいか

結論は、公開情報では判断できません（未検証）。多言語の文字起こしは公式に記載がありますが、感情やトーンの判定が日本語で同じように働くかは別の話です。敬語の多さ、相づちの頻度、沈黙の長さ。日本語の会話には、英語圏とは違う癖があります。言語ごとの癖を踏まえた調整ができるかどうかは、契約前に確認したい項目です。日本語の音声を扱うなら、最初の検証は日本語だけで組むべきです。

よくある質問

まとめ：文字起こしの前後に足す層として見る

主な参照元：Modulate公式サイト「Modulate | Frontier voice AI company」（2026年11月4日確認。Velmaの位置づけ、150以上の振る舞い、モデル群、用途、ToxModに関する記述はここによります）。Modulate公式の料金ページ（2026年11月4日確認。音声1時間あたりの従量課金、100クレジットが1.00ドル、声質検出の最低0.05ドル、年額のクレジット枠はここによります）。実機検証は未実施です。