AI语音深度伪造技术突破：实现近100%逼真诈骗成功率

10月25日发布的一项研究显示，接触过声音转换技术的人或多或少都曾听闻，当前主流的语音处理解决方案都存在一定延迟。越追求逼真效果的系统，延迟往往越明显。

网络安全公司NCC Group最新披露，人工智能正在推动语音深度伪造技术迈入“实时”阶段，攻击者能在通话中即时模仿他人声线，欺诈成功率接近百分之百。

实时语音伪造技术取得突破

这项被称为“深度伪造语音钓鱼”的技术，通过AI模型学习目标人物的声音样本，可在定制网页界面上一键激活，实现实时语音“翻译”。

研究人员指出，该系统仅需中等计算性能即可流畅运行。在搭载英伟达RTX A1000显卡的笔记本上，他们实现了不足0.5秒的延迟，且完全消除了以往常见的停顿和机械感。

测试表明，即便是使用低质量录音素材，该系统仍能生成极为逼真的语音副本。相较于以往需要数分钟训练、仅能生成预制音频的旧式语音伪造工具，这套系统可在通话中根据对话内容实时调整语调和语速。这意味着普通人现在借助笔记本电脑或智能手机就能实现类似效果，进一步降低了技术滥用的门槛。

测试结果显示欺骗率极高

NCC Group安全顾问Pablo Alobera透露，在经授权的受控测试中，当实时语音伪造技术与来电号码伪造结合使用时，几乎每次实验都成功骗过了测试对象。Alobera指出，这项技术突破显著提升了语音伪造的速度与真实感，即便是普通电话通话，也可能被利用进行诈骗。

视频伪造技术尚未完全同步发展

尽管语音伪造技术已进入实时阶段，但实时视频深度伪造仍未达到相同水准。近期流传的高质量案例多依赖前沿AI模型，如阿里WAN 2.2 Animate和谷歌的Gemini Flash 2.5 Image，从而将人物“移植”至逼真的视频场景中。

然而，这些系统在实时视频生成中仍存在表情不一致、情绪不匹配及语音不同步等问题。人工智能安全公司The Circuit创始人Trevor Wiseman向《IEEE Spectrum》表示，即便是普通观众，也能从“语气与面部表情的不协调”中察觉伪造痕迹。

专家呼吁建立新型身份验证机制

Wiseman提到，AI伪造技术的普及已导致实际损失。他举例称，有公司在招聘过程中遭遇视频深度伪造欺骗，误将笔记本电脑寄往虚假地址。这类事件表明，语音或视频通话已无法作为可靠的身份验证方式。

随着AI驱动的冒名行为日益猖獗，专家警告称必须引入新的身份验证机制。Wiseman建议借鉴棒球比赛中的“暗号”概念，使用独特且结构化的信号或代码，在远程交流中确认身份。他强调，若不采取此类措施，个人与机构都将面临日益复杂的AI社会工程攻击威胁。