Голос больше не доказательство личности. Клонировать его можно по 3 секундам записи с точностью до 85%, а звонки с синтетической речью в контакт-центры США фиксируются каждые 46 секунд. Индустрия голосовой биометрии отвечает тем же оружием: в сентябре 2026 года Pindrop представила BotStopper — технологию, которая в реальном времени отличает живого человека от синтезированного голоса или AI-агента на другом конце линии.
Что произошло
По данным отчёта Pindrop о голосовой безопасности, число попыток мошенничества с использованием дипфейков выросло за 2024 год на 1300% — с примерно одного случая в месяц до семи в день. Число звонков с синтетическим голосом увеличилось на 173% между первым и последним кварталом. Больнее всего удар пришёлся по страхованию (+475% атак с синтетическим голосом), банкам (+149%) и ритейлу (+107%); в ритейле фрод-звонки удвоились и достигли одной попытки на 127 звонков. Анализ строился на 1,2 млрд звонков клиентов, а на 2025 год Pindrop прогнозировала дальнейший рост мошенничества с дипфейками на 162% и общий ущерб контакт-центров на уровне $44,5 млрд.
Параллельно фиксирует всплеск и Reality Defender: по её данным, вишинг-атаки с клонированным голосом выросли на 1633% в первом квартале 2025 года, а 91% банков США пересматривают системы голосовой аутентификации для VIP-клиентов. Часть организаций уже потеряла на этом более $1 млн за один инцидент с дипфейком.
Как это работает
В основе детекции — не попытка распознать конкретный голос, а поиск следов синтетической генерации в самом аудиосигнале. Продукт Pindrop Pulse, по данным вендора, анализирует свыше 250 характеристик голоса и заявляет точность 99% при обнаружении дипфейка примерно за две секунды звонка.
Технически конвейер строится на нескольких уровнях:
- спектральный анализ — поиск артефактов, которые оставляют модули text-to-speech систем (акустическая модель и вокодер) в виде неестественной просодии и спектральных аномалий, не свойственных живой речи;
- временные паттерны — анализ микропауз, дыхания, скорости речи и переходов тона, которые генеративные модели пока воспроизводят с ошибками;
- поведенческий контекст — сопоставление живого сигнала с baseline-профилем звонящего, а также данными об устройстве и геолокации;
- непрерывное дообучение моделей на новых случаях фрода, включая ранее не встречавшиеся движки синтеза речи.
Отдельная линия защиты — устойчивость к «неизвестным» генераторам голоса: по данным Pindrop, технология распознаёт ранее не встречавшиеся дипфейки с точностью около 93%, что важно, поскольку инструменты клонирования голоса эволюционируют быстрее, чем успевают появляться сигнатуры. Для сравнения, человек на слух отличает синтетический голос от настоящего лишь в 54% случаев — то есть чуть лучше подбрасывания монеты.
Похожий подход использует и Reality Defender: платформа анализирует аудиопоток в реальном времени во время звонка или видеовстречи, не полагаясь на биометрическое сравнение «голос против голоса», которое сами разработчики называют уязвимым местом legacy-аутентификации — достаточно нескольких секунд чужой записи, чтобы обмануть такую систему.
Что внедрить у себя
- Перестаньте считать голосовую биометрию самостоятельным фактором аутентификации для крупных транзакций — используйте её только в связке с детекцией синтетической речи и вторичной проверкой.
- Внедрите анализ звонков в реальном времени на входе в контакт-центр, а не постфактум: чем раньше выявлен синтетический голос, тем меньше окно для социальной инженерии оператора.
- Заведите отдельный плейбук SOC на алерт «вероятный voice deepfake» — с эскалацией в fraud-команду, блокировкой транзакции и звонком клиенту по заведомо доверенному каналу.
- Обучите операторов контакт-центра и финансовых сотрудников не полагаться на «узнавание» голоса руководителя или клиента — только на процедуру верификации.
- Регулярно тестируйте детектор на новых поколениях TTS-моделей: точность на «неизвестных» движках синтеза — ключевая метрика, а не средняя точность на исторических данных.
- Логируйте и разбирайте каждый случай успешной и пропущенной детекции — это единственный способ поддерживать модель актуальной против быстро меняющихся инструментов клонирования.
Дипфейк-голос — лишь одна точка входа в более широкую проблему: злоумышленники всё чаще комбинируют его с голосовым фишингом от имени службы поддержки и атаками, описанными в разборе AI-антифрода JPMorgan. О том, как строить проверку без слепого доверия лицу и голосу собеседника, мы писали в материале про защиту от инвестиционного мошенничества с дипфейками, а системный взгляд на контроли для цифровых финансов — в тексте о глобальных подделках в цифровых финансах.
Источники: Pindrop (pindrop.com), отчёт Pindrop Voice Intelligence & Security Report; Reality Defender (realitydefender.com); PR Newswire.
