Современные технологии синтеза речи позволяют создавать реалистичные копии голоса, используя записи длительностью в десятки секунд из открытых источников. В отличие от пародистов, нейросети способны поддерживать живой диалог в реальном времени, что делает распознавание подделки практически невозможным для человека в состоянии стресса.
В январе 2024 года сотрудник гонконгского офиса компании Arup стал жертвой мошенничества: на видеосовещании были синтезированы голоса и изображения руководства. В результате атаки было совершено 15 переводов на общую сумму 200 миллионов гонконгских долларов, что эквивалентно $25,6 миллиона. Схему выявили лишь спустя неделю после связи с головным офисом.
Голосовая идентификация перестала быть надежным методом защиты. Единственным эффективным правилом безопасности эксперты называют обратный звонок: при получении подозрительного запроса необходимо положить трубку и самостоятельно набрать номер из проверенного источника — записной книжки, договора или официального сайта компании.
В качестве дополнительной меры можно использовать кодовые слова, однако их следует передавать по защищенным каналам связи. Важно, чтобы инициатором проверки выступал сам звонящий, так как в условиях психологического давления жертва редко способна следовать сложным инструкциям. Использование специализированных детекторов синтеза речи не рекомендуется из-за их низкой точности.
Корпоративным структурам следует пересмотреть регламенты, допускающие подтверждение платежей или сброс паролей по голосу. Учитывая доступность персональных данных, такие методы верификации больше не обеспечивают безопасность. Рекомендуется внедрять обязательные процедуры многофакторной аутентификации, не зависящие от голосового подтверждения.
