老細把聲都可以假:Voice Cloning 點樣用三秒錄音呃你一百萬
數十年來,企業防範財務詐騙的最後一道防線始終非常簡單:撥打電話向主管親自確認。
當財務部門收到一封宣稱需緊急付款給新供應商的郵件時,標準作業程序均要求員工暫停操作,透過電話向財務長(CFO)或執行長(CEO)取得口頭授權。在線路另一端聽到熟悉的主管聲音,過去一直被視為最無庸置疑的身分驗證。
然而,這層信任機制如今已徹底崩解。
隨著 AI 語音複製(Voice Cloning)與實時語音深偽(Real-time Audio Deepfake)技術的突破,網路犯罪分子不再需要入侵企業內部通訊網路即可竊取資金。他們僅需取得企業高階主管在公開場合的三秒鐘音訊,就能精準複製其聲音,並在電話中冒充主管,誘騙員工轉帳數百萬美元。
本文將深入剖析 AI 語音複製詐騙的運作機制、傳統驗證方式失效的原因,以及企業應如何重塑安全防禦體系。
語音複製攻擊的技術解析
AI 如何透過 3 秒錄音複製聲音
傳統的語音合成技術需要數小時的高品質錄音室音訊才能建構出逼真的模型;然而,當今的零樣本生成式 AI 模型(Zero-shot Generative AI Models)其運作邏輯已完全不同。
生成式語音引擎僅需分析極短的音訊樣本,即可擷取關鍵的聲學特徵:
音高與音色(Pitch and Timbre): 發聲者聲帶獨有的頻率與共鳴特性。
語速與節奏(Cadence and Rhythm): 說話的節奏、停頓習慣與自然的語流。
口音與發音習慣(Accents and Colloquialisms): 細微的發音細節與地方腔調特徵。
一旦擷取這些參數,AI 引擎便能將任何輸入的文字或即時麥克風語音,即時轉換為目標受害者的聲音,且逼真度極高。
攻擊者從何處獲取音訊樣本
犯罪分子無需監聽主管的私人電話以收集訓練數據。企業管理層經常在公開場合提供高品質的聲音樣本,例如:
上傳至 YouTube 的專題演講與會議簡報。
Podcast 訪談與媒體採訪影片。
業績說明會與投資人關係 Webcast。
發布於 LinkedIn、Instagram 或 TikTok 的短影音內容。
攻擊者只需透過自動化工具從公開的網路研討會影片中擷取數秒音訊,即具備建立高逼真度語音模型的所需素材。
高階主管冒充攻擊的演進:CEO 詐騙 2.0
從純文字 BEC 郵件升級為深偽語音
傳統的商業電子郵件詐騙(Business Email Compromise, BEC)主要依賴文字欺騙,例如偽造寄件者地址或盜用電子郵件帳號。此類手法雖有效,但在涉及巨額資金轉帳時,仍易引發財務人員的警覺。
當攻擊者將實時語音複製結合至社交工程攻擊流程中,即形成了 CEO 詐騙 2.0(CEO Fraud 2.0)。
CEO 詐騙 2.0 的典型攻擊流程
目標情報搜集: 鎖定企業的高階主管與財務權限人員。
擷取音訊樣本: 自公開影片中擷取 3 秒以上的主管聲音。
建立語音模型: 生成 AI 語音模型或載入即時變聲器。
發送緊急指令: 透過偽造郵件或簡訊要求緊急轉帳。
即時語音驗證: 隨後撥打電話或發送語音訊息,親自指示員工立即執行。
當一封緊急轉帳郵件隨即伴隨著來自「CEO 本人」的電話確認時,即便平日警覺性高的財務人員亦極易落入陷阱。
真實案例與日益嚴重的威脅
此類攻擊已非理論模型,全球已有多家企業因語音複製詐騙蒙受重大損失:
數百萬美元的電匯詐騙: 攻擊者在 WhatsApp 語音通話或傳統電話中使用即時變聲器冒充董事,指示財務主管撥款至虛構的併購案或緊急供應商帳戶。
緊急線上會議詐騙: 犯罪分子邀請中階主管參加視訊或音訊會議,利用深偽影像與複製語音直接下達轉帳指令。
新型識別指標:如何辨識 AI 生成的語音?
雖然 AI 語音技術進步迅速,但在實時互動中,合成音訊仍會暴露細微的技術缺陷。
1. 音訊瑕疵與異常的語音節奏
AI 語音模型在處理自然對話的動態變化時,往往會產生不連貫現象。
機械雜音或金屬迴音
仔細聆聽背景噪音是否突然中斷,或某些特定發音(例如摩擦音)周圍是否帶有些微的金屬失真感與異常殘響。
單調的語調與缺乏情感起伏
人類語言會根據情緒、壓力或猶豫而產生自然的音高波動。合成語音的語調往往過於平緩,即便在傳達高度緊急的事件時,仍缺乏真實的情感起伏。
異常的對話停頓
由於實時語音複製引擎需要數百毫秒的時間處理輸入語音並輸出合成語音,對話中可能出現不自然的短暫延遲。
2. 行為模式的異常紅旗
在評估語音通話時,程序上的異常與技術指標同樣重要。
要求規避標準流程: 通話者以「極度緊急」或「機密併購」為由,要求跳過正常的內部審核與授權程序。
強調保密: 通話者明確指示員工不得與其他團隊成員或外部顧問討論該筆交易。
指定不熟悉的收款帳戶: 要求將資金轉移至境外帳戶、新成立的供應商或加密貨幣錢包。
企業防禦策略:建構不依賴語音信任的安全體系
僅憑人類聽覺已無法有效辨識語音真實性。企業必須建立不依賴「聲音信任」的程序性與技術性防禦機制。
1. 建立安全口令與雙重管道驗證
內部安全口令(Internal Passphrases)
針對高額資金轉帳或緊急授權,企業應事先建立未公開的線下挑戰應答(Challenge-Response)安全口令。若主管撥打電話要求緊急電匯,財務人員必須要求對方提供指定的安全口令。
多管道交叉驗證
絕不依賴單一通訊管道進行授權。若收到電話指示,必須透過第二個獨立的安全管道(例如加密的企業通訊軟體或親自確認),並使用內部通訊錄記載的已知號碼進行核對。
2. 實施嚴格的財務控制流程
雙重授權機制(Dual-Authorization)
強制執行雙重授權政策,規定凡超過特定金額門檻的電匯作業,均需至少兩名獨立權限主管的線上審核與批准。
堅持流程不可越界
明確規定任何口頭指示——無論來自何種層級的主管——均不得凌駕於既定的財務驗證程序之上。
3. 部署先進的技術防禦工具
防偽造通話控制(Anti-Spoofing Protocol)
導入支援 STIR/SHAKEN 協定的企業電信系統,以驗證來電顯示數據,減少電話號碼偽造(Spoofing)的風險。
AI 音訊檢測系統
在企業通訊管道中整合深偽檢測(Deepfake Detection)解決方案,即時分析串流音訊中是否包含合成語音的頻率特徵。
快速檢查清單:接獲主管緊急語音通話的處理流程
若接獲來自主管要求執行資金轉帳或提供敏感資料的突發通話,請遵循以下處理程序:
暫停行動,切勿急躁: 切勿在壓力下立即操作,禮貌性告知對方需執行標準安全檢核。
提出口令驗證: 要求對方提供預先設定的內部安全口令,或詢問僅有對方知道且無法自公開社交媒體獲取的私密問題。
掛斷並回撥: 掛斷電話,並使用企業內部通訊錄記載的官方分機號碼重新撥打給該主管。
立即通報: 若確認該通話為詐騙行為,應立即通報資安部門或資訊部門進行後續處理。
結論與未來展望
聲音已不再能作為可靠的身分證明。隨著 AI 語音生成技術日益完美,企業必須將對語音通訊的信任模式,轉化為適用於數位網路的「零信任(Zero Trust)」架構。
將防禦核心從「信任聲音」轉變為「驗證流程」,企業才能有效抵禦 AI 深偽語音詐騙,避免巨大的財務與信任損失。


留言