Zagrożenie jest realne — i tanie

Sklonowanie głosu wymaga dziś mniej niż 30 sekund nagrania i subskrypcji API za ok. 80 zł miesięcznie. Atakujący wykorzystują tę technologię w trzech scenariuszach: oszustwo „na prezesa“ (podszywanie się pod kadrę kierowniczą, żeby autoryzować przelew), podszywanie się pod dział wsparcia (wyłudzanie danych do logowania) oraz socjotechnika wymierzona w zwykłych pracowników.

AI Act UE Art. 6 klasyfikuje systemy manipulacji biometrycznej w czasie rzeczywistym jako systemy wysokiego ryzyka, ale egzekwowanie przepisów nie zapobiegnie atakom — zrobi to tylko umiejętność ich wykrywania.

Sygnał 1: Nienaturalne pauzy

Ludzka mowa ma mikrowariacje w długości pauz. Głosy syntetyczne mają albo zbyt równomierne pauzy, albo gwałtowne cięcia między słowami. Jeśli rozmówca zatrzymuje się w tym samym miejscu za każdym razem, gdy „myśli“ — to sygnał ostrzegawczy.

Co robić: Zadaj nieoczekiwane, niezwiązane pytanie. Człowiek naturalnie zatrzyma się w połowie myśli. Sklonowany głos czytający ze skryptu zrobi to nienaturalnie.

Sygnał 2: Brak odgłosów oddechu

Większość modeli klonowania głosu usuwa dźwięki oddechu, aby zredukować szum treningowy. Prawdziwe głosy — szczególnie podczas emocjonalnych lub pilnych rozmów — zawierają słyszalne wdechy.

Co robić: Nasłuchuj całkowitego braku odgłosów oddechu przez ponad 60 sekund rozmowy. Prawdziwi ludzie oddychają.

Sygnał 3: Płaski zakres emocjonalny

Sklonowane głosy słabo imitują emocje spoza danych treningowych. Gniew, pilność i humor wypadają płasko — intonacja niby jest, ale rytm wypowiedzi jest lekko zaburzony.

Co robić: Wstaw krótki żart lub wyraź łagodne zaskoczenie. Obserwuj, czy reakcja emocjonalna wydaje się zaplanowana lub podręcznikowa.

Sygnał 4: Brak reakcji na otoczenie dźwiękowe

Prawdziwi rozmówcy reagują na dźwięki tła — syreny, przerwy, echo. Sklonowane głosy nie mogą w czasie rzeczywistym dostosować się do sygnałów dźwiękowych, które generujesz po swojej stronie.

Co robić: Wygeneruj krótki, ostry dźwięk (stuknij w biurko blisko telefonu). Żywy człowiek zareaguje — zatrzyma się, zapyta, czy słyszałeś coś dziwnego. Syntetyczny głos będzie kontynuował bez przerwy.

Sygnał 5: Nacisk na pominięcie weryfikacji

Każdy rozmówca — prawdziwy czy nie — który wzbrania się przed standardową weryfikacją („śpieszę się, po prostu mi zaufaj“), jest sygnałem alarmowym niezależnie od tego, jak brzmi głos. Ataki socjotechniczne prawie zawsze grają na presji czasu.

Co robić: Egzekwuj protokół oddzwonienia za każdym razem, bez wyjątków. Dzwoń pod numer, który sam wyszukujesz — nigdy pod numer podany przez rozmówcę.

Twój plan działania

  1. Przeszkol pracowników w zakresie tych pięciu sygnałów (wystarczy 15-minutowa sesja).
  2. Ustal zasadę weryfikacji dwukanałowej: każde żądanie finansowe lub dotyczące danych uwierzytelniających przez telefon wymaga potwierdzenia e-mailem lub bezpośredniego oddzwonienia.
  3. Rejestruj anomalie w rozmowach — nawet jeśli nie doszło do ataku, wzorce mają znaczenie.
  4. Sprawdź ustawienia kodeka audio Twojego systemu telefonicznego. Wysoka kompresja niszczy subtelne artefakty, które pomagają ludziom wykryć syntetyczne głosy.

Ataki z klonowaniem głosu udają się, bo grają na zaufaniu, presji czasu i naszej naturalnej skłonności do ufania znajomym głosom. Obrona jest proceduralna, nie techniczna.