Deepfake głosu w oszustwach telefonicznych: banki tracą miliony

Od naiwnego phishingu do hiper-realistycznego głosu

Oszustwa telefoniczne istnieją od dekad, ale w 2026 roku zmienił się ich charakter. Klasyczny „wnuczek w potrzebie” lub rzekomy urzędnik ustępują miejsca precyzyjnym atakom bazującym na klonowaniu głosu. Wystarczy kilka sekund nagrania ofiary — często dostępnych w mediach społecznościowych — aby model AI wyprodukował rozmowę telefoniczną nierozróżnialną od autentycznej.

Służby badające nadużycia finansowe zwracają uwagę, że licznik strat idzie szybko w górę. Według raportów branży finansowej publikowanych w pierwszej połowie 2026 roku, wartość prób oszustw z klonowanym głosem zwiększyłała się w ujęciu rocznym o ponad 30 procent, a w pojedynczych przypadkach ofiary traciły kwoty sięgające miliona dolarów w jednej sesji. Bank w Hongkongu potwierdził w 2024 roku stratę 25 milionów dolarów po rozmowie wideo, w której deepfake odtworzył twarze i głosy członków zarządu; podobne przypadki powielały się w kolejnych latach na innych kontynentach.

Mechanika ataku

Typowy scenariusz wygląda podobnie:

1. Reconnaissance — sprawca zbiera nagrania głosowe celu z LinkedIn, YouTube, Instagrama lub TikToka. Wystarczą nawet 3–15 sekund czystego głosu.
2. Klonowanie — komercyjne modele oraz te udostępniane na forach odtwarzają głos z zachowaniem akcentu, tempa mówienia i nawyków językowych celu.
3. Rozmowa — sprawca dzwoni do banku, do księgowości, do kolegi z zarządu lub do zespołu pracowników, używając klonu głosu (czasem połączonego z deepfake wideo w czasie rzeczywistym).
4. Autoryzacja — ofiara przekazuje pieniądze, udostępnia poświadczenia dwuskładnikowe lub przyjmuje zawiadomienie o „pilnym transferze”.

Z technicznego punktu widzenia kluczowa jest dziś tzw. konwersja głosu w czasie rzeczywistym — modyfikacja strumienia audio na bieżąco. Rozmówca nie musi uprzednio nagrywać pełnej wypowiedzi; może mówić do mikrofonu dowolny tekst, a model na bieżąco przekształca barwę głosu na głos celu. Wymaga to mniej niż sekundy opóźnienia.

Dlaczego zabezpieczenia gonią

Banki inwestują w nowe mechanizmy obrony, ale rozwój ataków jest wciąż szybszy. Typowe środki:

• Analiza syntezy głosu — algorytmy sprawdzają artefakty w spektrum (np. brak naturalnego szumu oddechu, jednorodność barwy), ale kompresja telefoniczna ukrywa wiele wskaźników.
• Fraza-wyzwanie — weryfikator prosi o losowo wygenerowaną frazę lub pytanie, którego nie można łatwo sklonować bez uprzedniego przygotowania. Stosowane na przykład przez banki brytyjskie.
• Weryfikacja wielokanałowa — jeśli pracownik odbiera rozmowę dotyczącą dużego transferu, bank dodaje weryfikację przez aplikację lub osobisty kontakt z drugiego numeru.
• Biometryczny odcisk głosu — sygnatura głosowa osadzona w modelu, która ma rozróżniać klon od osoby żyjącej.

Mimo to wszelkie metody są testowane przez sprawców z użyciem narzędzi doradczych AI, które same symulują te procedury i szukają obejść.

Skala w Eurazji i na świecie

Przypadki z lat 2025–2026 pokazują, że to nie jest problem jednego kraju. Agencje Unii Europejskiej zidentyfikowały fałszywe połączenia udające europejskich urzędników, rzekomo z komisji bankowych. W Wielkiej Brytanii rodzinne firmy otrzymały rzekome wezwania „od swoich księgowych”. W Ameryce Północnej liczne ataki dotyczą okupu rodzinnego — tzw. wirtualnego porwania — gdzie klony głosu wzmagały wiarygodność żądania.

Skutki bywają druzgocące. W jednym ze znanych przypadków amerykańska firma z St. Louis przekazała 1,2 miliona dolarów po ataku głosem „od CFO” z poleceniem tajnych przelewów do zagranicznego partnera. Dopiero tydzień później pracownik zauważył niezgodność. Każdy taki incydent obniża zaufanie do kanałów głosowych jako takich.

Regulacje i odpowiedzialność

Unia Europejska rozszerzyła Akt o AI o wymóg oznaczania mediów syntetycznych, ale egzekwowanie w kontekście oszustw telefonicznych prowadzonych z anonimowych numerów pozostaje trudne — sprawca jest zazwyczaj poza jurysdykcją i korzysta z jednorazowych narzędzi. W wielu krajach wprowadzono obowiązek dodatkowej weryfikacji przy dużych transakcjach wyzwalanych przez rozmowę.

Pojawia się też debata o odpowiedzialności banków: czy instytucja finansowa, która nie wyposaża systemów w wykrywanie klonowanego głosu, powinna współdzielić stratę z klientem. Orzecznictwo jest jeszcze wczesne, ale przeważa stanowisko, że minimalne standardy obrony stają się elementem reżimu nadzorczego.

Co może zrobić obywatel

Obywatele mogą zmniejszyć ryzyko kilkoma nawykami:

• Ustalić z bliskimi hasło bezpieczeństwa używane w sytuacjach pilnych i zawsze prosić o jego podanie, gdy rozmówca żąda pieniędzy.
• Nigdy nie autoryzować transferów w trybie pilnym wyłącznie na podstawie rozmowy telefonicznej — zawsze dodatkowo zweryfikować przez oficjalny kanał banku lub mailowo.
• Ograniczyć publiczną ekspozycję nagranego głosu oraz unikać publikacji krótkich fragmentów „czystej mowy” ułatwiających klonowanie.
• Włączyć biometrię i autoryzację wieloskładnikową, ale nie traktować głosu jako jedynej metody autoryzacji u instytucji finansowych.

Klon głosu to technologia, której nie da się cofnąć. Dostępność modeli rośnie dzięki ekosystemowi open source, a jakość konwersji w czasie rzeczywistym zbliża się do granicy niewykrywalności. Dlatego obrona musi opierać się nie tylko na analizie sygnału, ale przede wszystkim na procedurach weryfikacyjnych i świadomości obywatelskiej.

Perspektywy na 2027 rok

Banki i operatorzy telekomunikacyjni inwestują w analizę w czasie rzeczywistym: zaawansowane systemy oznaczają podejrzaną klonowaną mowę zanim rozmowa dojdzie do pracownika. Pokaźna część nadużyć zostanie odcięta na poziomie centrali telekomunikacyjnej. Z drugiej strony rozprzestrzenianie narzędzi open source sprawia, że defensywa będzie trwalsza niż sama technologia — i że kwotowa, redakcyjna rozmowa telefoniczna pozostanie niezawodnym dowodem. Dlatego obrona musi opierać się nie tylko na analizie sygnału, ale przede wszystkim na procedurach weryfikacyjnych i świadomości obywatelskiej.