Detektor głosu AI podczas rozmowy telefonicznej: jak telefon próbuje rozpoznać sklonowany głos, jakie sygnały analizuje i dlaczego wynik nie daje stuprocentowej pewności

Jeśli podczas rozmowy telefon wyświetla ostrzeżenie o podejrzanym połączeniu, nie oznacza to jeszcze, że urządzenie „rozpoznało głos AI”. W praktyce system może robić coś zupełnie innego: analizować akustykę głosu, szukać charakterystycznego schematu oszustwa w treści rozmowy albo sprawdzać, czy połączenie rzeczywiście pochodzi z urządzenia osoby zapisanej w kontaktach. Te trzy mechanizmy rozwiązują podobny problem, ale działają inaczej.

To istotne, bo współczesny klon głosu nie musi brzmieć metalicznie ani nienaturalnie. Dobrze przygotowany model potrafi zachować barwę, tempo i sposób akcentowania konkretnej osoby. Z kolei zwykła rozmowa człowieka przepuszczona przez słaby mikrofon, zestaw Bluetooth i kompresję operatora może zawierać artefakty przypominające syntezę. Dlatego detektor nie wydaje wyroku „człowiek albo AI”. Oblicza ryzyko na podstawie sygnałów, które w realnej rozmowie bywają niepełne, zniekształcone i wzajemnie sprzeczne.

Telefon nie ma jednego „wykrywacza głosu AI”. W praktyce działają trzy różne mechanizmy

Pierwszy wariant to właściwe wykrywanie syntetycznego audio. Algorytm analizuje sygnał mowy i szuka cech statystycznych charakterystycznych dla text-to-speech, voice conversion oraz innych metod generowania lub przekształcania głosu. Taki system interesuje się przede wszystkim tym, jak powstał dźwięk, a nie tym, czy rozmówca prosi o pieniądze.

Druga kategoria to wykrywanie oszustwa na podstawie przebiegu rozmowy. Tu nazwa funkcji może sugerować wykrywanie fałszywego głosu, choć mechanizm koncentruje się głównie na treści i sposobie prowadzenia rozmowy. Szuka sekwencji typowych dla scamów: presji czasu, informacji o rzekomym zagrożeniu rachunku, prośby o natychmiastowy przelew, zakup kart podarunkowych, instalację aplikacji do zdalnego pulpitu, podanie kodu autoryzacyjnego albo zachowanie całej sprawy w tajemnicy.

Dobrym przykładem jest Scam Detection w aplikacji Telefon Google. Na Pixelach 9 i nowszych analizę wykonuje lokalnie Gemini Nano; w starszych obsługiwanych Pixelach stosowane są modele uczenia maszynowego działające na urządzeniu. Rozmowa nie jest w tym celu wysyłana do chmury, a nagranie i transkrypcja nie są zapisywane. Po włączeniu funkcji uczestnicy słyszą sygnał dźwiękowy na początku rozmowy oraz okresowo w jej trakcie. Przy wysokim poziomie ryzyka użytkownik dostaje alert, dźwięk i wibrację.

Dla polskiego użytkownika jest jednak konkretne ograniczenie: na 17 sierpnia 2026 r. Polska nie znajduje się na oficjalnej liście krajów obsługujących Scam Detection. Funkcja jest dostępna m.in. na Pixelach 6 i nowszych w USA oraz na Pixelach 9 i nowszych w Australii, Francji, Hiszpanii, Indiach, Irlandii, Japonii, Kanadzie, Meksyku, Niemczech, Wielkiej Brytanii i we Włoszech. Pixel 9a ma dodatkowe ograniczenie regionalne do USA. Sam fakt posiadania nowego Pixela w Polsce nie oznacza więc automatycznie dostępu do tej funkcji.

Trzecia metoda jest technicznie jeszcze ciekawsza, bo w ogóle nie musi analizować głosu. Google w 2026 r. rozpoczął wdrażanie mechanizmu Fake Call Detection. Gdy dzwoni zapisany kontakt i obie strony używają aplikacji Telefon Google, urządzenia mogą przeprowadzić w tle cyfrowe potwierdzenie autentyczności połączenia. Mechanizm wykorzystuje szyfrowaną komunikację RCS. Jeśli ktoś podszyje się pod numer kontaktu, lecz właściwy telefon tej osoby nie potwierdzi, że wykonuje połączenie, odbiorca może zobaczyć ostrzeżenie.

To bardzo ważne rozróżnienie. Idealny klon głosu może pokonać analizę akustyczną, ale nie zastąpi kryptograficznego potwierdzenia wykonanego przez prawdziwe urządzenie. Z kolei autentyczny rozmówca dzwoniący z nietypowego telefonu może nie przejść takiej weryfikacji mimo prawdziwego głosu.

Wykrywanie fałszywych połączeń Google wymaga co najmniej Androida 12 oraz aplikacji Telefon Google, Kontakty Google i Wiadomości Google. W Wiadomościach musi być aktywny RCS. To nie jest więc uniwersalna ochrona działająca przy dowolnym telefonie, dialerze i sposobie nawiązania połączenia.

Jakie cechy sklonowanego głosu może wychwycić algorytm

Detektor audio nie „słyszy” głosu tak jak człowiek. Zamienia fragmenty sygnału na liczby i reprezentacje pozwalające porównywać mowę naturalną z przykładami syntezy. W nowoczesnych rozwiązaniach część cech jest uczona automatycznie przez sieć neuronową, ale wiadomo, które obszary sygnału mają szczególne znaczenie.

Jednym z nich jest widmo częstotliwościowe. Syntezatory i vocodery mogą pozostawiać nienaturalny rozkład energii w poszczególnych pasmach, zbyt regularną strukturę harmoniczną albo drobne artefakty przy wyższych częstotliwościach. W badaniach nad antyspoofingiem stosuje się m.in. współczynniki LFCC — Linear Frequency Cepstral Coefficients — które opisują strukturę widmową głosu z dużą rozdzielczością również w wyższej części pasma.

Algorytm może analizować także:

• częstotliwość podstawową F0, czyli jeden z parametrów odpowiadających za odczuwaną wysokość głosu;

• intonację i sposób zmiany wysokości głosu w czasie;

• jitter, czyli drobne nieregularności okresu drgań głosu;

• shimmer, czyli niewielkie zmiany amplitudy kolejnych cykli;

• długość i rozmieszczenie pauz;

• tempo mowy oraz rytm sylab;

• ciągłość barwy głosu między kolejnymi fragmentami wypowiedzi;

• sposób wypowiadania spółgłosek, samogłosek i końcówek wyrazów;

• nietypowo równą dynamikę albo przeciwnie — nagłe, nielogiczne zmiany głośności;

• artefakty powstające podczas działania konkretnego vocodera lub modelu voice conversion.

Prosodia jest szczególnie interesująca. Człowiek nie utrzymuje idealnie stabilnej częstotliwości i amplitudy głosu. W badaniach nad deepfake audio wykorzystywano zestawy cech obejmujące m.in. jitter, shimmer i średnią częstotliwość podstawową. Problem polega na tym, że generatory również się poprawiają i coraz lepiej naśladują naturalną nieregularność.

Nie należy więc stosować prostej reguły „głos jest zbyt równy, więc to AI”. To byłoby równie zawodne jak rozpoznawanie fałszywego zdjęcia wyłącznie po liczbie palców.

Osobną warstwą jest analiza znaczenia rozmowy. Telefon może nie znaleźć żadnych śladów syntezy, a mimo to podnieść alarm, kiedy rozmówca mówi mniej więcej: „na koncie wykryliśmy włamanie, za pięć minut pieniądze znikną, natychmiast przelej je na bezpieczny rachunek i nikomu o tym nie mów”.

W praktyce taka analiza bywa skuteczniejsza niż polowanie na pojedynczy artefakt akustyczny, ponieważ oszust musi ostatecznie nakłonić ofiarę do wykonania określonej czynności. Głos można sklonować. Cel oszustwa znacznie trudniej ukryć przez całą rozmowę.

Są też systemy porównujące próbkę z wcześniej zapisanym głosem konkretnej osoby. Tworzą wtedy embedding głosowy, czyli matematyczną reprezentację cech mówcy, i sprawdzają podobieństwo nowej wypowiedzi do wzorca. To jednak rozwiązanie częstsze w biometrii głosowej, bankowości i systemach call center niż w zwykłej książce kontaktów smartfona. Telefon konsumencki zazwyczaj nie posiada wysokiej jakości, kontrolowanej próbki głosu każdej osoby zapisanej jako „Mama”, „Tata” czy „Szef”.

Dlaczego nawet bardzo dobry detektor nie może dać 100 procent pewności

Największym przeciwnikiem detektora podczas normalnej rozmowy jest paradoksalnie sama telefonia.

Model laboratoryjny może dostać czysty plik WAV. Smartfon dostaje dźwięk po przejściu przez mikrofon rozmówcy, redukcję szumów, kodek, sieć operatora, ewentualne transkodowanie, kompensację utraconych pakietów i tor audio drugiego urządzenia. Każdy z tych etapów coś usuwa albo zmienia.

Klasyczna telefonia wąskopasmowa wykorzystuje pasmo mniej więcej 300 Hz–3,4 kHz przy próbkowaniu 8 kHz. Rozwiązania szerokopasmowe, takie jak AMR-WB, mogą przenosić mniej więcej 50 Hz–7 kHz przy próbkowaniu 16 kHz. Różnica dla detektora jest ogromna. Jeśli ślad konkretnego generatora znajdował się głównie w wysokich częstotliwościach, połączenie wąskopasmowe może go po prostu wyciąć.

Do tego dochodzą:

• słaby mikrofon;

• agresywne odszumianie;

• połączenie przez zestaw głośnomówiący;

• słuchawki Bluetooth;

• echo;

• hałas uliczny;

• przerywanie transmisji;

• utrata pakietów;

• wielokrotne kodowanie i dekodowanie dźwięku;

• ponowne odtworzenie syntetycznego głosu przez głośnik i nagranie go mikrofonem.

Ten ostatni zabieg jest szczególnie niewygodny dla detektorów. Przestępca nie musi przecież podawać „czystego” pliku wygenerowanego przez AI. Może przepuścić głos przez dodatkowy kodek, filtr, szum lub tor analogowy. W badaniach określa się takie modyfikacje m.in. jako laundering — „pranie” sygnału w celu zatarcia artefaktów generatora.

Różnica między laboratorium a prawdziwą rozmową jest dobrze widoczna w wynikach badań. Modele testowane na kontrolowanych zbiorach ASVspoof potrafią osiągać bardzo niski EER — Equal Error Rate. W jednym z rezultatów dla ASVspoof 5 uzyskano około 3,39% EER. To dobry wynik, ale nie oznacza 96,61-procentowej skuteczności każdego połączenia telefonicznego. EER jest konkretną miarą punktu, w którym odsetek fałszywych akceptacji i odrzuceń się zrównuje, i zależy od zbioru testowego oraz warunków eksperymentu.

NIST, analizując metody rozpoznawania syntetycznego audio, wskazywał wyniki rozciągające się od około 50% do znacznie ponad 90% trafności, zależnie od metody, generatora i zbioru testowego. Problemem pozostaje szczególnie tzw. open set: detektor spotyka generator, którego podczas treningu nigdy nie widział. Model świetnie rozpoznający pięć znanych rodzin deepfake’ów nie musi równie dobrze radzić sobie z szóstą, wypuszczoną kilka miesięcy później.

Kolejna słabość dotyczy języka. Duża część badań nad syntetyczną mową powstała na materiale anglojęzycznym. Polska fonetyka, fleksja, akcent i typowe wzorce intonacyjne nie są automatycznie równoważne z angielskimi. Model trenowany głównie na angielskim może gorzej generalizować na język polski.

Fałszywe alarmy również są realnym problemem. Nietypowo brzmiący sygnał może powstać przez kiepską transmisję, filtr mikrofonu, funkcję poprawiającą mowę, tłumaczenie rozmowy w czasie rzeczywistym albo bardzo mocne odszumianie. Z drugiej strony nowoczesny klon może nie pozostawić śladu wystarczająco mocnego, aby przekroczyć próg alarmowy.

Dlatego rozsądny system zwraca wynik ryzyka, a nie orzeczenie sądowe. Próg można ustawić niżej, aby wychwycić więcej oszustw, ale wtedy wzrośnie liczba fałszywych alarmów. Można go podnieść i zmniejszyć liczbę ostrzeżeń, ale część prawdziwych ataków przejdzie bez reakcji. Tego kompromisu nie da się usunąć samym zwiększeniem mocy procesora.

W Unii Europejskiej dochodzi jeszcze warstwa regulacyjna. Od 2 sierpnia 2026 r. stosuje się zasadniczą część AI Act, a art. 50 nakłada m.in. obowiązki dotyczące oznaczania syntetycznych treści audio w formacie możliwym do wykrycia maszynowo oraz ujawniania wykorzystania deepfake’ów w określonych przypadkach. Nie jest to jednak tarcza przeciwko oszustwu telefonicznemu. Przestępca świadomie podszywający się pod członka rodziny nie zacznie respektować obowiązku oznaczenia tylko dlatego, że wymaga tego rozporządzenie.

Dla użytkownika najbezpieczniejsza procedura jest krótsza niż analiza techniczna:

1. Nie próbuj udowodnić podczas rozmowy, że głos jest sztuczny.

2. Jeżeli rozmówca prosi o pieniądze, kod BLIK, dane logowania, kod SMS, instalację programu albo natychmiastową decyzję — zakończ rozmowę.

3. Samodzielnie wybierz numer zapisany wcześniej w kontaktach albo skontaktuj się z osobą innym kanałem.

4. W przypadku banku korzystaj z numeru podanego w oficjalnej aplikacji bankowej lub na karcie, a nie z numeru podyktowanego podczas podejrzanej rozmowy.

5. Nie traktuj zgodnego numeru na ekranie jako dowodu tożsamości. Caller ID może zostać podszyty.

6. Jeśli telefon pokazał alert bezpieczeństwa, potraktuj go jako powód do dodatkowej weryfikacji, a nie jako techniczną ciekawostkę.

Najgorszym błędem jest prowadzenie dalszej rozmowy po to, aby „posłuchać jeszcze chwilę i sprawdzić, czy to AI”. Każda dodatkowa minuta daje atakującemu więcej czasu na presję, zebranie informacji i dopasowanie historii do reakcji ofiary.

FAQ: wykrywanie sklonowanego głosu podczas połączenia

Czy telefon może ze stuprocentową pewnością rozpoznać głos wygenerowany przez AI?
Nie. Detektor pracuje na prawdopodobieństwie. Kompresja, hałas, nieznany generator, krótka próbka oraz jakość połączenia mogą powodować zarówno fałszywe alarmy, jak i niewykryte deepfake’i.

Czy wystarczy posłuchać, czy rozmówca dziwnie oddycha albo robi nienaturalne pauzy?
Nie. Takie cechy mogą być sygnałem pomocniczym, ale współczesne generatory potrafią tworzyć pauzy, oddechy i naturalną intonację. Z kolei prawdziwy człowiek przy słabej transmisji może brzmieć sztucznie.

Czy zgodny numer telefonu potwierdza, że dzwoni właściwa osoba?
Nie. Numer wyświetlany jako identyfikator rozmówcy może zostać podszyty. Znacznie mocniejszym mechanizmem jest niezależne techniczne potwierdzenie urządzenia albo przerwanie rozmowy i samodzielne oddzwonienie na znany numer.

Czy ostrzeżenie „podejrzane połączenie” oznacza, że wykryto klon głosu?
Niekoniecznie. System mógł zareagować na schemat rozmowy, reputację numeru, brak potwierdzenia tożsamości połączenia albo kombinację kilku sygnałów. Nazwa funkcji bezpieczeństwa nie mówi jeszcze, że analizowany był sam sposób generowania głosu.

Czy Google Scam Detection działa obecnie w Polsce?
Na 17 sierpnia 2026 r. Polska nie znajduje się na oficjalnej liście obsługiwanych krajów tej konkretnej funkcji. Nie należy mylić jej z identyfikacją spamu ani z odrębnym mechanizmem wykrywania fałszywych połączeń opartym na aplikacjach Google i RCS.

Czy pytanie rozmówcy o prywatny szczegół pozwoli rozpoznać klon?
Może utrudnić atak, ale nie powinno być jedynym zabezpieczeniem. Przestępca może wcześniej zebrać informacje z mediów społecznościowych, wykradzionych wiadomości albo wcześniejszego kontaktu. Bezpieczniejsze jest przerwanie połączenia i zweryfikowanie osoby niezależnym kanałem.

Co sprawdzić najpierw, jeśli telefon ma funkcję „AI Scam Detection”?
Najpierw ustal, co dokładnie ta funkcja wykrywa: syntetyczny dźwięk, schemat oszustwa czy podszywanie się pod numer. To trzy różne zabezpieczenia. Następnie sprawdź wymagania regionalne, wersję systemu i aplikacji oraz to, czy funkcja jest faktycznie aktywna.

Pierwszy błąd do usunięcia jest więc prosty: nie traktuj znajomego głosu ani znajomego numeru jako dowodu tożsamości. Jeśli w rozmowie pojawiają się pieniądze, dane logowania, kod autoryzacyjny lub presja czasu, najpierw przerwij połączenie i samodzielnie zweryfikuj rozmówcę. Dopiero później ma znaczenie, czy detektor pokazał 60, 90 czy 99 procent ryzyka.

Więcej informacji na: https://adtime.pl