Klonowane głosy w vishingu: od deepfake'owej wideorozmowy w Arup do rodzinnego hasła kodowego
Przez telefon czyjś głos był niemal dowodem tożsamości. Tanie narzędzia do klonowania głosu po cichu położyły kres temu założeniu. Oszust z kilkoma sekundami audio — fragmentem podcastu, powitaniem w poczcie głosowej, filmem wrzuconym do sieci — może wytworzyć mowę, której krewni, współpracownicy i konsultanci call center nie odróżnią wiarygodnie od oryginału. Technika zasila vishing — phishing głosowy — a w 2026 ma udokumentowane ofiary wśród firm i rodzin oraz badania pokazujące, dlaczego ludzki słuch i część zautomatyzowanych kontroli przepuszczają podróbki.
Wideorozmowa na 200 mln dolarów HK
Sprawa, która przeniosła klonowanie głosu z ciekawostki do ryzyka na poziomie zarządu, rozegrała się w Hongkongu w styczniu 2024 roku. Pracownik finansowy międzynarodowej firmy otrzymał wiadomość rzekomo od brytyjskiego dyrektora finansowego spółki, opisującą tajną transakcję. Podejrzewał phishing — dopóki nie dołączył do wideokonferencji, na której CFO i kilku rozpoznawalnych kolegów pojawiło się na ekranie. Według hongkońskiej policji każdy uczestnik był deepfake'em. Pracownik wykonał 15 przelewów na łącznie 200 mln dolarów HK — około 25,6 mln dolarów USA — na pięć lokalnych kont bankowych; oszustwo wyszło na jaw dopiero, gdy zweryfikował sprawę w centrali. Jak ujął to nadinspektor Baron Chan:Na wieloosobowej wideokonferencji okazało się, że każdy, kogo widział, był fałszywy.Firma inżynieryjna Arup została później wskazana jako ofiara i w maju 2024 potwierdziła incydent, informując, że policję powiadomiła na początku roku, a jej stabilność finansowa, operacje i systemy wewnętrzne nie ucierpiały. Jej dyrektor IT Rob Greig zauważył, że ataki — od oszustw fakturacyjnych i phishingu po podmianę głosu w WhatsApp i deepfake'i — stawały się znacznie wyrafinowane. Policja zakwalifikowała sprawę jako przejęcie mienia drogą oszustwa; w tamtym momencie nie ogłoszono aresztowań.
Rodzinne „alarmy” ze znajomym głosem
Ta sama technika działa też w zwykłych domach. Amerykańska FTC ostrzegała już w marcu 2023: w klasycznej tabeli na wnuczka — telefon od krewnego, który rozbił samochód i siedzi w areszcie — dzwoniącym może być teraz klon. Oszustowi, pisała agencja, wystarczy krótki fragment audio z głosem członka rodziny, wzięty z treści opublikowanych w sieci. Rada FTC jest proceduralna: odłożyć słuchawkę, oddzwonić pod numer, który na pewno należy do tej osoby, sprawdzić przez innego krewnego, a prośby o przelew, kryptowalutę czy zakup kart podarunkowych traktować jako sygnały ostrzegawcze. Europejskie przypadki pokazują ten sam schemat wobec innych typów celów. We Włoszech starszą kobietę okradziono o 30 000 € rozmową z głosem podobnym do głosu jej córki, donosił The Guardian w lutym 2025. W tym samym miesiącu mediolańscy prokuratorzy dostali zawiadomienia od znanych postaci świata biznesu — w tym współpracowników Giorgio Armaniego i szefa rady nadzorczej Prady Patrizia Bertellego — po tym jak oszuści sklonowali głos ministra obrony Guido Crosetto i dzwonili do nich, rzekomo by zebrać okup za porwanych dziennikarzy, z obietnicą zwrotu od Banku Włoch. Co najmniej jedna ofiara przelała łącznie 1 mln € na konto w Hongkongu.Dlaczego zawodzą uszy — i część kontroli
Ludzki słuch to słaba linia obrony. Raport Pindropu „Voice Intelligence & Security 2025”, oparty na analizie ponad 1,2 mld połączeń klientów, odnotował w 2024 wzrost prób oszustw deepfake'owych w contact center o ponad 1300 procent — ze średnio jednej próby miesięcznie do siedmiu dziennie — plus wzrost połączeń z syntetycznym głosem o 173 procent między pierwszym a ostatnim kwartałem roku. Ataki syntetycznym głosem na banki urosły o 149 procent, a raport prognozuje, że contact center mogą w 2025 stanąć wobec ekspozycji na oszustwa rzędu 44,5 mld dolarów USA. Weryfikacja biometryczna też nie jest panaceum: hongkońska policja mówiła, że deepfake'i użyto co najmniej 20 razy w powiązanym oszustwie, by pokonać kontrole rozpoznawania twarzy imitujące posiadaczy dowodów. Kontrole oparte na głosie mierzą się z tym samym problemem: klon to syntetyczna wersja prawdziwego sygnału, a krótkie, niskiej jakości audio telefoniczne utrudnia automatyczną detekcję. Dostawcy detekcji się poprawiają, ale strona dzwoniącego w tym wyścigu też jest zindustrializowana, a wolumen — według własnych liczb Pindropu — rośnie szybciej niż filtry.Co nadal działa
Przy ograniczeniach detekcji obrony, które się bronią, są proceduralne. Propozycje pod alertem FTC obejmowały rodzinne hasła kodowe — zdanie ustalone offline, które każdy prawdziwy pilny telefon musi zawierać — i pytania weryfikacyjne, na które odpowiedziałby tylko prawdziwy krewny, choć takie detale mogą wyciec przez media społecznościowe. Dyscyplina oddzwaniania na znany, samodzielnie wybrany numer pozostaje najpewniejszym krokiem, bo usuwa kanał atakującego z łańcucha:- Ustalcie rodzinne hasło kodowe na pilne sytuacje — i używajcie go.
- Odłóżcie słuchawkę i oddzwońcie pod numer, który już macie — nie pod ten, który podał dzwoniący.
- Traktujcie pośpiech, tajność i nietypowe kanały płatności — przelewy, krypto, karty podarunkowe — jako sygnaturę oszustwa, a nie jego detal.
- Ograniczajcie czyste próbki głosu publikowane w powitaniach poczty głosowej i publicznych filmach.