Klonowanie głosu: oszustwo zaczyna się od „mamo, mam wypadek”

Kilka sekund nagrania wystarczy

Jeszcze kilka lat temu wiarygodna kopia cudzego głosu wymagała profesjonalnego studia nagraniowego, drogiego sprzętu i pracy specjalisty. Dziś wystarczy kilka sekund czystego audio i ogólnodostępne narzędzie. Zespół badawczy Microsoftu opisał w styczniu 2023 roku model VALL-E, który generuje mowę w czyimś głosie na podstawie trzech sekund próbki — na przykład nagrania z relacji na żywo, spotkania zdalnego czy filmiku opublikowanego w sieci. Komercyjne serwisy do klonowania głosu, stworzone dla lektorów i dubbingu, działają na tej samej zasadzie i są dostępne w modelu abonamentowym. Bariery wejścia praktycznie przestały istnieć.

Głos odgrywa w naszym postrzeganiu rolę dowodu tożsamości. Rozpoznajemy bliskich po intonacji, tempie, drobnych cechach wymowy. Jeśli telefon brzmi jak córka albo wnuczka, umysł odbiorcy traktuje rozmowę jako potwierdzoną — i dokładnie na tym polega cała metoda.

Od eksperymentu z laboratorium do praktyki przestępczej

Pierwszy głośny precedens przyszedł z branży energetycznej. W marcu 2019 roku dyrektor zarządzający brytyjskiej firmy energetycznej wykonał przelew na kwotę 220 tysięcy euro na konto węgierskiego dostawcy — po rozmowie telefonicznej z rzekomym szefem, prezesem niemieckiej spółki matki. Dzwonił oszust posługujący się podrobionym głosem: ubezpieczyciel firmy, Euler Hermes, wyjaśniał później, że podrobiono nie tylko barwę głosu, ale też tonację i niemiecki akcent, a żądanie miało charakter pilny — zapłata w ciągu godziny. Sprawę opisał „The Wall Street Journal”; ówczesne media traktowały ją jako ciekawostkę technologiczną, dziś to nie ciekawostka, tylko gotowy szablon działania. Pieniądze przepłynęły przez konta na Węgrzech i w Meksyku i przepadły.

Trzy lata później ta sama metoda trafiła do rodziny Benjamina Perkinsa — Amerykanina, którego rodzice mieszkają w Kanadzie. Benjamin Perkin opowiedział o tym dziennikarzom „The Washington Post”: oszuści sklonowali jego głos — prawdopodobnie na podstawie filmów o jeździe na skuterze śnieżnym, które sam publikował na YouTube — i wykorzystali go w rozmowie z rodzicami. Dzwonił człowiek podający się za adwokata: poinformował, że syn w wypadku samochodowym zabił amerykańskiego dyplomatę i trafił do aresztu, a potem przekazał słuchawkę sklonowanemu głosowi. Rodzice zebrali ponad 21 tysięcy dolarów i wysłali je przez bitcoinomat; prawdziwy Perkin zadzwonił do nich dopiero wieczorem — wtedy zrozumieli, że zostali oszukani. Pieniędzy nie udało się odzyskać. Perkin nie miał żadnej warstwy ochronnej: jego głos był publicznie dostępny, a bliscy nie ustalili z nim wcześniej hasła weryfikacyjnego.

Skala zjawiska

Dokładne statystyki są trudne do ustalenia, bo wiele ofiar nigdy nie zgłasza oszustwa. Istnieją jednak dane urzędowe. Federalna Komisja Handlu USA podała, że konsumenci zgłosili w 2023 roku straty przekraczające 10 miliardów dolarów z tytułu oszustw — po raz pierwszy straty te przekroczyły ten próg. Najczęściej zgłaszaną kategorią było podszywanie się pod inne osoby: 853 935 zgłoszeń i blisko 2,7 miliarda dolarów strat. Klonowanie głosu nie jest w tych liczbach wyodrębnione osobno, ale jest naturalnym uzupełnieniem tej metody: oszust, który już zdobył dane ofiary, dodaje do nich skradziony głos i zwiększa szansę, że rozmowa zakończy się przelewem.

Z badania zleconego przez bank Starling, przeprowadzonego przez firmę Mortar Research w sierpniu 2024 roku na reprezentatywnej grupie ponad trzech tysięcy dorosłych Brytyjczyków, wynikało, że 28 procent ankietowanych było przynajmniej raz w ciągu roku celem próby oszustwa z użyciem sklonowanego głosu — a 46 procent nigdy nie słyszało, że taki typ oszustwa w ogóle istnieje. Co ósmy respondent (8 procent) zadeklarował, że wysłałby żądaną kwotę, nawet gdyby rozmowa z bliską osobą wydawała mu się dziwna. Ta luka wiedzy jest częścią problemu: ofiara, która o metodzie nie słyszała, nie ma powodu, by odczytać pewny głos jako sygnał ostrzegawczy.

Jak się bronić

Obrona jest niskotechnologiczna i skuteczna:

• Hasło rodzinne. Ustalone wcześniej słowo lub zdanie, którego oszust nie zna. Jeśli telefon w sprawie pilnej pomocy finansowej nie zawiera hasła, rozmowę się przerywa.
• Zerwanie i oddzwonienie. Na znany numer z własnej książki adresowej — nigdy na numer podany w treści podejrzanej wiadomości.
• Zasada opóźnienia. Prawdziwa pilna sprawa przetrwa godzinę. Oszustwo nie — dlatego nacisk na działanie natychmiast to znak rozpoznawczy.
• Ograniczenie publicznych nagrań. Warto sprawdzić, ile nagrań własnego głosu publikujemy i kto może z nich korzystać. Nie da się ukryć głosu całkowicie, ale można nie dostarczać gotowych próbek o wysokiej jakości.
• Weryfikacja kontekstu. Pilny przelew „za granicę, na konto adwokata” to klasyczny element scenariusza. Bank ani adwokat nie wymagają przelania pieniędzy przez telefon w ciągu kwadransa.

Regulacje nadrabiają zaległości

Unijny akt o sztucznej inteligencji wprowadza obowiązki transparentności, które zaczęły obowiązywać 2 sierpnia 2026 roku. Obejmują one deepfake’y: podmiot publikujący zmanipulowane nagranie audio musi ujawniać, że treść została wygenerowana lub zmodyfikowana sztucznie, a dostawcy systemów generatywnych oznaczają je dodatkowo w formacie czytelnym maszynowo. To krok w dobrym kierunku, choć problemu nie rozwiązuje: oszustwa nie powstają z myślą o przestrzeganiu przepisów, a serwisy klonujące głos działają globalnie, poza zasięgiem unijnych egzekucji. Ochrona własnego głosu pozostaje na razie sprawą indywidualną — i sprawą rodzinnej rozmowy, którą warto odbyć, zanim zadzwoni telefon.

Oznaczenie treści AI

Ten artykuł powstał z udziałem sztucznej inteligencji: research oraz tekst przygotował i zredagował agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.