Klonowanie głosu przez AI – jak działa i jak rozpoznać syntetyczny głos?

Klonowanie głosu z wykorzystaniem sztucznej inteligencji staje się coraz bardziej zaawansowane i realistyczne. Dzięki nowoczesnym narzędziom możliwe jest stworzenie cyfrowej kopii ludzkiego głosu na podstawie krótkich próbek dźwiękowych. Ta technologia znajduje zastosowanie m.in. w dubbingu czy syntezie mowy, ale jednocześnie otwiera furtkę do potencjalnych oszustw.

Proces klonowania głosu obejmuje kilka etapów. Pierwszym z nich jest ekstrakcja cech głosu, podczas której z nagrania audio wyodrębnia się unikalne właściwości anatomiczne i akustyczne, takie jak barwa, wysokość tonu, kadencja, formanty oraz wzorce oddechowe. Te cechy są zapisywane w postaci wysokowymiarowego wektora numerycznego lub dyskretnych tokenów audio, tworząc cyfrowy model mowy osoby, której głos jest klonowany.

Następnie następuje etap modelowania i syntezy, podczas którego docelowy tekst lub nagranie jest łączone z modelem mówcy, a w efekcie powstaje nowa wypowiedź. W tym procesie stosuje się dwie metody: text-to-speech (TTS), czyli generowanie mowy na podstawie tekstu, oraz speech-to-speech, gdzie klonowanie odbywa się „w locie” na podstawie wypowiedzi żywego człowieka. Ostatnim krokiem jest generowanie fali dźwiękowej przez moduł neuro-vocoder, który przekształca cyfrową reprezentację w ostateczny plik audio.

Realizm i wyzwania związane z klonowaniem głosu

Technologia klonowania głosu osiągnęła poziom, na którym kopie są bliskie doskonałości. Według badania przeprowadzonego przez McAfee w 2025 roku około 35 proc. respondentów nie potrafiło odróżnić sklonowanego głosu od oryginału. Wraz z postępem technologicznym odsetek ten może rosnąć.

Jednak w przypadku generowania mowy w czasie rzeczywistym nadal występują pewne niedoskonałości techniczne, które mogą pomóc w rozpoznaniu syntetycznego głosu. Należą do nich:

• nienaturalne pauzy i wahania, szczególnie przed nazwami własnymi, trudnymi słowami czy liczbami,
• opóźnienia w odpowiedzi podczas rozmowy na żywo, spowodowane czasem potrzebnym na przetworzenie i wygenerowanie wypowiedzi,
• płaska lub jednostajna kadencja, czyli brak naturalnej dynamiki, ekspresji emocjonalnej oraz elastycznego tempa i intonacji,
• brak dźwięków otoczenia, gdyż syntetyczny dźwięk jest często nienaturalnie czysty i sterylny,
• artefakty cyfrowe, takie jak zniekształcenia częstotliwości na początku lub końcu słów oraz lekko „robotyczny” ton,
• zbyt duża cierpliwość lub nagła zmiana głosu, co może oznaczać przekazanie połączenia od bota AI do żywego oszusta.

Bezpieczeństwo i metody rozpoznawania syntetycznych głosów

W kontekście oszustw typu vishing, gdzie przestępcy wykorzystują rozmowy telefoniczne do wyłudzania danych lub pieniędzy, klonowanie głosu stanowi istotne wyzwanie. Oprócz technicznych sygnałów syntetycznego głosu, w takich sytuacjach pojawiają się także klasyczne metody manipulacji socjotechnicznej.

Do elementów, które mogą wzbudzić podejrzenia, należą m.in. wywieranie presji na natychmiastowe działanie oraz odwoływanie się do emocji, zwłaszcza strachu lub niepokoju. Warto zwracać uwagę na te aspekty podczas rozmów telefonicznych, aby zwiększyć świadomość potencjalnych zagrożeń.

Technologia klonowania głosu rozwija się dynamicznie, a jej zastosowania są coraz bardziej zaawansowane. Jednocześnie pojawiają się nowe wyzwania związane z bezpieczeństwem i rozpoznawaniem syntetycznych głosów, co wymaga uwagi zarówno ze strony użytkowników, jak i specjalistów zajmujących się ochroną przed oszustwami.