Μια φωνή που ξέρετε καλά στο τηλέφωνο, ίσως να μην είναι αληθινή!

Ένα τηλεφώνημα, μια φωνή απόλυτα οικεία, μια έκκληση για άμεση βοήθεια. Αυτό ακριβώς περιέγραψε πρόσφατα η Ελληνική Αστυνομία σε επίσημη ανακοίνωσή της, προειδοποιώντας ότι δράστες τηλεφωνικών απατών χρησιμοποιούν πλέον τεχνητή νοημοσύνη για να αναπαράγουν τη φωνή συγγενικών προσώπων. Σύμφωνα με την ΕΛ.ΑΣ., οι πολίτες καλούνται να ενημερώσουν ηλικιωμένα μέλη της οικογένειας και ανήλικους, ώστε να γνωρίζουν πως ακόμη και μια απολύτως γνώριμη φωνή μπορεί να έχει προκύψει από τεχνητή αναπαραγωγή.

Το φαινόμενο δεν είναι ελληνική ιδιαιτερότητα. Το Ομοσπονδιακό Γραφείο Ερευνών των Ηνωμένων Πολιτειών κατέγραψε για πρώτη φορά στην ιστορία του, μέσα στην ετήσια έκθεσή του για το 2025, την απάτη μέσω τεχνητής νοημοσύνης ως ξεχωριστή κατηγορία εγκλήματος, με πάνω από 22.000 καταγγελίες και ζημιές που ξεπέρασαν τα 890 εκατομμύρια δολάρια μέσα σε έναν χρόνο. Το ερώτημα που προκύπτει είναι απλό, αλλά η απάντηση χρειάζεται λίγη τεχνική εξήγηση: πώς είναι δυνατόν ένας άγνωστος να μιλήσει με τη φωνή κάποιου που αγαπάμε, και τι μπορεί κανείς να κάνει για να μην πέσει θύμα.

Πώς αντιγράφεται μια φωνή με λίγα δευτερόλεπτα ήχου

Η τεχνολογία πίσω από αυτές τις απάτες ονομάζεται κλωνοποίηση φωνής και βασίζεται σε μοντέλα μηχανικής μάθησης που αναλύουν ένα δείγμα ομιλίας για να εξάγουν το αποτύπωμα μιας φωνής, δηλαδή τον τόνο, τον ρυθμό ομιλίας και τα ιδιαίτερα χαρακτηριστικά προφοράς κάποιου. Όπως εξηγεί ειδικευμένη πλατφόρμα τεχνητής νοημοσύνης φωνής, οι σύγχρονοι αλγόριθμοι μαθαίνουν μια μαθηματική αναπαράσταση της φωνής-στόχου και στη συνέχεια παράγουν καινούργιο ήχο που διατηρεί το ίδιο αποτύπωμα.

Η μέθοδος που χρησιμοποιείται συνήθως σε τέτοιες απάτες λέγεται «μηδενικής εκμάθησης» και δεν απαιτεί ώρες καθαρής ηχογράφησης, όπως συνέβαινε παλαιότερα. Αρκούν λίγα δευτερόλεπτα ήχου προερχόμενα από ένα βίντεο σε μέσο κοινωνικής δικτύωσης, από ένα μήνυμα φωνητικού ταχυδρομείου ή ακόμη και από μια παλιά βιντεοκλήση, για να παραχθεί μια πειστική απομίμηση. Ερευνητική εταιρεία ασφάλειας έχει αναφέρει ότι τρία δευτερόλεπτα ήχου αρκούν για κλωνοποίηση με ποσοστό ομοιότητας που φτάνει το 85 τοις εκατό, ενώ για πιο πειστικό αποτέλεσμα, οι απατεώνες χρειάζονται περίπου τριάντα δευτερόλεπτα.

Δύο είναι οι βασικές τεχνικές παραλλαγές. Στη σύνθεση κειμένου σε ομιλία, ο δράστης πληκτρολογεί ένα κείμενο και το σύστημα το «διαβάζει» με τη φωνή-στόχο. Στη μετατροπή φωνής, ο δράστης μιλάει ο ίδιος σε πραγματικό χρόνο και το λογισμικό μετατρέπει τη φωνή του στη φωνή του θύματος-στόχου, κάτι που επιτρέπει και αμφίδρομη συνομιλία, όχι μόνο προηχογραφημένο μήνυμα. Η δεύτερη παραλλαγή είναι η πιο επικίνδυνη, γιατί επιτρέπει στον δράστη να απαντά σε ερωτήσεις σε πραγματικό χρόνο, προσαρμοζόμενος στην αντίδραση του θύματος.

Το κόστος έχει καταρρεύσει, η προσβασιμότητα έχει εκτοξευθεί

Αυτό που άλλαξε τα τελευταία χρόνια δεν είναι μόνο η ποιότητα του αποτελέσματος, αλλά κυρίως η ευκολία πρόσβασης στην τεχνολογία. Παλαιότερα, η δημιουργία πειστικής συνθετικής φωνής απαιτούσε εξειδικευμένες γνώσεις μηχανικής μάθησης. Σήμερα, όπως επισημαίνει ειδησεογραφική ανάλυση τεχνολογίας ασφάλειας, το μόνο που χρειάζεται κάποιος είναι ένα δείγμα ήχου και μια συνδρομή σε εμπορική υπηρεσία σύνθεσης φωνής. Ολόκληρη η αλυσίδα μιας τέτοιας απάτης μπορεί να στηθεί από ένα και μόνο άτομο, χωρίς καμία γνώση προγραμματισμού.

Παράλληλα, η κλωνοποιημένη φωνή συχνά συνοδεύεται και από παραποίηση του αναγνωριστικού κλήσης, τεχνική γνωστή ως πλαστογράφηση αναγνωριστικού κλήσης, ώστε στην οθόνη του θύματος να εμφανίζεται πραγματικός αριθμός συγγενικού προσώπου ή ακόμη και επίσημου φορέα. Το αποτέλεσμα είναι ένας συνδυασμός δύο ψευδών ενδείξεων ταυτόχρονα, της οπτικής και της ακουστικής, που αφήνει ελάχιστα περιθώρια αυθόρμητης υποψίας στο θύμα.

Το τυπικό σενάριο και γιατί λειτουργεί ψυχολογικά

Το πιο συχνό σενάριο που περιγράφουν οι διωκτικές αρχές παραμένει η κλασική «απάτη του παππού», αναπροσαρμοσμένη με τεχνητή νοημοσύνη. Ένα άτομο λαμβάνει τηλεφώνημα και ακούει μια φωνή που μοιάζει απόλυτα με του παιδιού ή του εγγονιού του να ζητά επειγόντως χρήματα, συχνά επικαλούμενο ατύχημα ή κράτηση από τις αρχές. Η πίεση χρόνου και το συναισθηματικό σοκ λειτουργούν ως μηχανισμός που εμποδίζει τη λογική επαλήθευση, ακριβώς επειδή η φωνή που ακούγεται είναι, ή φαίνεται να είναι, εντελώς γνώριμη.

Η Ελληνική Αστυνομία έχει καταγράψει και παραλλαγή όπου η κλωνοποιημένη φωνή δεν είναι η κύρια απειλή αλλά υποστηρικτικό στοιχείο. Δράστες παριστάνουν υπαλλήλους οργανισμού κοινής ωφέλειας, επικαλούμενοι δήθεν βλάβη, και στο βάθος της κλήσης ακούγεται η «φωνή» συγγενικού προσώπου να προτρέπει το θύμα να συνεργαστεί, ενισχύοντας έτσι την αληθοφάνεια του σεναρίου. Αντίστοιχες μεθόδους έχει επισημάνει και το Ομοσπονδιακό Γραφείο Ερευνών, εντάσσοντας τις πλέον στην κατηγορία απατών εμπιστοσύνης, όπου τα θύματα ηλικίας άνω των εξήντα ετών καταγράφουν σχεδόν τριπλάσιο αριθμό καταγγελιών σε σύγκριση με την αμέσως προηγούμενη ηλικιακή ομάδα.

Τι δείχνει έρευνα αναγνώρισης πλαστών φωνών

Η αντιμετώπιση δεν είναι απλή υπόθεση, γιατί η τεχνολογία ανίχνευσης βρίσκεται σε συνεχή κούρσα με την τεχνολογία παραγωγής. Ακαδημαϊκή έρευνα που εξετάζει μεθόδους ανίχνευσης συνθετικού ήχου περιγράφει πως τα σύγχρονα μοντέλα αναγνώρισης ομιλητή μπορούν να αξιοποιηθούν για να διακρίνουν πραγματική από τεχνητή φωνή, κάτι που αποτελεί ενεργό πεδίο έρευνας διεθνώς. Η ίδια η έρευνα, ωστόσο, δεν διεκδικεί λύση καθολικής ισχύος· περιγράφει μια μεθοδολογία εντοπισμού που εξακολουθεί να βελτιώνεται, όχι ένα εργαλείο έτοιμο για καθημερινή χρήση από τον απλό πολίτη.

Αυτό σημαίνει πρακτικά ότι η ευθύνη της επαλήθευσης δεν μπορεί να στηριχθεί στο αυτί. Ακόμη και εκπαιδευμένος ακροατής δυσκολεύεται να διακρίνει μια ποιοτική κλωνοποιημένη φωνή από την αυθεντική, ιδίως σε κλήση μικρής διάρκειας και υπό συναισθηματική πίεση. Η λύση δεν βρίσκεται στην ακοή, αλλά στη διαδικασία επαλήθευσης που ακολουθεί κανείς πριν προχωρήσει σε οποιαδήποτε ενέργεια.

Τι συστήνουν οι αρχές, μέσα από τη ροή της καθημερινής συναλλαγής

Η πλέον αποτελεσματική άμυνα, σύμφωνα με αμερικανικές αρχές προστασίας καταναλωτή και ελληνικές αστυνομικές πηγές, είναι η άμεση διακοπή της κλήσης και η επανάκληση του συγγενικού προσώπου σε αριθμό που ήδη διαθέτει κανείς αποθηκευμένο, ποτέ στον αριθμό από τον οποίο έγινε η ύποπτη κλήση. Η Ελληνική Αστυνομία συστήνει στους πολίτες να μην αποκαλύπτουν προσωπικά ή οικονομικά στοιχεία, να μην επιτρέπουν είσοδο αγνώστων στην οικία τους με πρόσχημα δήθεν βλάβης, και να επιβεβαιώνουν πάντα καλώντας οι ίδιοι τον επίσημο φορέα ή το συγγενικό πρόσωπο.

Μια πρόσθετη πρακτική που προτείνουν διεθνείς οργανισμοί προστασίας καταναλωτή είναι η καθιέρωση μιας συμφωνημένης λέξης ή φράσης μέσα στην οικογένεια, γνωστής μόνο στα μέλη της και ποτέ δημοσιευμένης σε μέσα κοινωνικής δικτύωσης. Σε περίπτωση ύποπτης κλήσης, η πρώτη ερώτηση προς τον φερόμενο ως συγγενή είναι ακριβώς αυτή η λέξη, κάτι που ένα σύστημα τεχνητής νοημοσύνης δεν μπορεί να γνωρίζει, όσο πειστική και αν είναι η φωνή που αναπαράγει. Η τακτική αυτή δεν απαιτεί τεχνικές γνώσεις και μπορεί να εφαρμοστεί άμεσα από κάθε οικογένεια, ανεξαρτήτως ηλικίας των μελών της.

Χρήσιμη είναι επίσης η προσοχή στη διαχείριση προσωπικού υλικού ήχου και βίντεο σε δημόσιους λογαριασμούς μέσων κοινωνικής δικτύωσης, καθώς αυτό αποτελεί την πιο συνηθισμένη πηγή άντλησης δειγμάτων φωνής από τους δράστες. Περιορισμός της πρόσβασης σε βίντεο με καθαρή ομιλία, ιδίως για ανήλικα μέλη της οικογένειας, μειώνει τη διαθέσιμη πρώτη ύλη για ενδεχόμενη κλωνοποίηση.

Τι δεν αποδεικνύει ακόμη η υπάρχουσα εικόνα

Παρά τη ραγδαία αύξηση των διεθνών καταγγελιών, τα καταγραμμένα περιστατικά στην Ελλάδα παραμένουν, σύμφωνα με ρεπορτάζ που παραθέτει την επίσημη ανακοίνωση της αστυνομίας, περιορισμένα σε αριθμό μέχρι στιγμής.

Αυτό δεν σημαίνει ότι ο κίνδυνος είναι θεωρητικός, αλλά ότι η έγκαιρη ενημέρωση προηγείται της εκτεταμένης εμφάνισης του φαινομένου στη χώρα, κάτι που δίνει στους πολίτες πρακτικό χρονικό περιθώριο προετοιμασίας πριν αυτό διευρυνθεί περαιτέρω.