A telefonon hallható klónozott hang: hogyan nem fogod észrevenni

Egy júliusi péntek délután csengett a telefon egy 80 éves nő otthonában Kühlungsbornban, Németország balti-tengeri partvidékén. A hívó azt állította, hogy orvos: az unokája súlyos balesetet okozott, valaki meghalt, és 30 000 euró óvadékra van szükség, különben börtönbe kerül. Ezt követően egy nő vette át a vonalat, aki az áldozat lányaként mutatkozott be. A rostocki rendőrség július 27-i közleményében – német nyelvről lefordítva – így írt: „A hangja annyira hasonlított a valódi lányáéra, hogy a 80 éves asszony eleinte elhitte a történetet.” A nyugdíjas elindult, hogy előteremtse a pénzt. Rostockba vezető útján összefutott valódi unokájával, elmesélte neki a történetet, és ő értesítette a rendőrséget. A dolog soha nem jutott tovább a kísérletnél.

Hogy klónozott hangról volt-e szó, azt senki sem tudja. A rendőrség nem árulja el, és senki sem ellenőrizte. Pontosan itt kezdődik az a probléma, amiről ez a cikk szól.

Mert amit minden tanácsadó rovat évek óta ígér, az a válasz a „hogyan tudhatta volna?” kérdésre. Erre a célra hat jelzés kering. Hihetőnek tűnnek, mindenhol felbukkannak, és többségük már nem is igaz.

A hat jel, egyenként áttekintve

A lista forrása a BSI, a német Szövetségi Információbiztonsági Hivatal által közzétett deepfake-oldal. Ez az a szöveg, amelyet azóta mindenki másol.

Az oldal elárulja saját korát. Az ellenintézkedésekről szóló részben még mindig az Európai Bizottság „mesterséges intelligencia rendszerekről szóló rendelettervezetére” hivatkozik, amely előírná a címkézést. Ez a tervezet már régen törvényerőre emelkedett. Az AI-törvény 2024. augusztus 1-jén lépett hatályba, átláthatósági kötelezettségei pedig 2026. augusztus 2-tól alkalmazandók.

Két dolog tűnik ki. Először is, a leggyakrabban idézett jelek közül kettő egyáltalán nem szerepel a BSI oldalán. Sem a „nincs háttérzaj”, sem a „nincs légzési hang” nem található ott. Ezek ismétlés útján alakultak ki, anélkül, hogy bármilyen hatóság vagy tanulmány valaha is tesztelte volna őket.

Másodszor, a fennmaradó négy közül a fémes hang a legismertebb és egyben a leggyengébb.

Miért tűnt el a késleltetés?

A BSI a „észrevehető késleltetés” tünetet sorolja fel, és ezt technikailag magyarázza: a rendszernek a tartalom egy részét meg kell kapnia, mielőtt azt át tudná alakítani. Ez régen igaz volt. Ma már nem az.

Ahhoz, hogy megértsük, miért, kétféle megoldást kell elkülönítenünk, amelyeket a mindennapi nyelvben egyaránt „AI-hangnak” neveznek.

A szöveg-beszéd (TTS) esetében valaki beír egy szöveget, és a rendszer felolvassa azt. A hangkonverzió (VC) esetén egy ember beszél, és a rendszer csak a hangszínt cseréli ki. Az intonáció, az érzelem, a légzés és a kérdésekre való válaszadás képessége mind egy valódi embertől származik.

Egy olyan hívás esetében, amelyben az áldozat kérdéseket tesz fel és sír, csak a második megoldás használható. Ez pedig valós időben működik. A Koe AI cég által egy grafikus kártya nélküli, átlagos asztali CPU-n végzett mérés szerint az LLVC-módszer késleltetése 19,7 milliszekundum, a QuickVC-é 97,6, az RVC-é pedig 189,8. Egy átlagos mobilkapcsolat késleltetése 100–200 milliszekundum között mozog. Egy 20 milliszekundumos átalakító réteg eltűnik a vonalban, mielőtt bárki is hallhatná.

Ezzel marad a forrásanyag kérdése. „Három másodperc elég” – ez a mondat mindenhol ehhez kapcsolódik. Két forrásból származik, amelyek összekeverednek. A komolyabbik a VALL-E, egy 2023. januári Microsoft Research-rendszer, amely három másodperces mintából szintetizál, bár a méréseket tiszta hangoskönyv- és stúdiófelvételeken végezték. A népszerűbb forrás egy 2023 májusában készült tanulmányból származó adat, amelyet a McAfee biztonsági szoftvergyártó tett közzé, de módszertanát soha nem tették nyilvánossá.

A spontán, mindennapi beszédre vonatkozó jelenlegi kutatások eredményei jóval óvatosabbak. A Barcelona Supercomputing Center 2026-os tanulmánya szerint a beszélői hasonlóság körülbelül 31 százalékkal csökken az F5-TTS rendszer esetében, amikor a referenciaanyag hossza 7,7 másodpercről 5,5 másodpercre csökken. A StyleTTS2 esetében a kimenet emellett részben érthetetlenné válik.

Tehát a valós különbség a következő. Néhány másodperc elegendő a „felismerhetően hasonló” minősítéshez. Ahhoz, hogy „egy teljes telefonhíváson át megállja a helyét”, több kell: a jelenlegi bizonyítékok alapján körülbelül tíz–hatvan másodperc tiszta, összefüggő beszéd. Az a londoni tanulmány, amelynek klónjai valóban nem voltak megkülönböztethetők a valódi hangoktól, hangonként körülbelül négy perc referenciaanyagot használt.

A BSI egyébként maga is kipróbálta ezt, és ez a részlet figyelemre méltóbb, mint bármely szám. Egy bemutatóvideóhoz az ügynökség klónozta akkori elnöke, Arne Schönbohm hangját. Körülbelül tíz percnyi hanganyagot használt fel nyilvánosan elérhető videókból, amelyek – saját szavai szerint – „csak közepes minőségűek” voltak. A hamis hang által elmondott mondat így hangzik: „Nem vagyok valódi, és egyelőre ezt még felismerheted. Ahogy azonban a technológia fejlődik, ezt egyre nehezebb lesz megkülönböztetni.” A mondat második fele képezi a cikk további részének témáját.

A helyzet éppen ellenkezőleg áll

2026 májusában Nicolas M. Müller és Wei Herng Choong, a Fraunhofer Alkalmazott és Integrált Biztonsági Intézet munkatársai közzétették a témában eddig elvégzett legnagyobb hallgatási vizsgálat eredményeit. 1 768 résztvevő, 35 532 egyéni értékelés, 138 beszédszintézis-rendszer, közvetlenül összehasonlítható egy 2021-es alapvizsgálattal.

A várható eredmény az lett volna, hogy az emberek egyre nehezebben ismerik fel a hamisítványokat. De nem ez lett az eredmény.

A hamisítványok esetében a pontosság szinte változatlan maradt: 71,2 százalék szemben a korábbi 72,9-cel. Ami viszont összeomlott, az a másik oldal. A valódi felvételek esetében a pontosság 72,7-ről 64,1 százalékra esett vissza. Az emberek nem lettek rosszabbak a szintézis felismerésében. Hanem abban, hogy elhiggyék a valódi hangokat. A szerzők ezt „szkepticizmus-eltolódásnak” nevezik.

Egy éjjel fél tizenkettőkor érkező telefonhívás esetében ez kellemetlen következményekkel jár. Aki elhatározza, hogy legközelebb figyelmesebben hallgat, az többnyire azt a küszöböt tolja el, amelyen túl már a saját lányát sem bízik meg. Az a tanács, hogy figyeljünk a hangra, mérhetően rontja a helyzetet, nem javítja.

Ugyanezen tanulmány második megállapítása végleg pontot tesz a listákra. A legnehezebben felismerhetők nem az egzotikus kutatási rendszerek voltak, hanem a kereskedelmi szolgáltatások és a nyelvi modelleken alapuló rendszerek, 61,3–65,9 százalékos arányban. A legkönnyebben felismerhetők a régebbi, technikailag egyszerűbb módszerek voltak, 75,4–76,8 százalékos arányban. Ami hitelkártyával bárki által lefoglalható, az hangzik a legvalódibbnak.

A londoni Queen Mary Egyetem által 2025 szeptemberében a PLOS ONE-ban közzétett tanulmány ugyanerre a következtetésre jut. A hangklónokat az esetek 58 százalékában emberinek ítélték, míg a valódi hangokat ugyanabban a felállásban 62 százalékban. A kutatók kifejezetten hangsúlyozzák, hogy a klónok nem múlják felül a valódi hangokat. Cikkük címe: „A hangklónok valósághűnek hangzanak, de (még) nem hiperrealisztikusak”. Nem hangzanak valódibbnak, mint a valódi hangok. Pontosan olyan valóságosnak hangzanak, mint a valódi hangok, és ez teljesen elegendő.

A Fraunhofer-tanulmányban szereplő automatizált detektor minden körülmény között 94,5 százalék feletti pontosságot ért el. A gépek még mindig hallják a különbséget. Az emberek viszont nem.

Mit mutatnak a német adatok, és mit nem

Augusztus 6-án a német Szövetségi Bűnügyi Rendőrség a dpa hírügynökség kérésére közzétette a 2025-ös rendőrségi bűnügyi statisztikák adatait. Az eredmény két irányba mutat. A nagyszülői és a sokkoló telefonhívások esetében az esetek száma 6 658-ról 4 798-ra csökkent, a veszteségek azonban továbbra is nőttek. A hamis rendőrökkel kapcsolatos eseteknél mindkét szám emelkedett, az anyagi károk pedig kétharmadával nőttek. Ez arra utal, hogy kevesebb, de célzottabb bűncselekmény történik, amelyeknél az egyedi károk összege magasabb.

És most a legfontosabb mondat: a bűnügyi statisztikák nem rögzítik, hogy szerepet játszott-e benne a mesterséges intelligencia. Németország esetében nincs egyetlen megbízható adat sem arról, hogy hány „sokkoló hívás” történt klónozott hanggal. Aki ilyet idéz, az nem mérte meg.

Ez azonban nem akadályozza meg, hogy ilyen adatok keringjenek. A leggyakrabban idézett adat, a 10,6 milliárd eurós összveszteség, a Global Anti-Scam Alliance által 2025 júniusában 2000 fogyasztó körében végzett felmérésből származik, és mindenféle csalást magában foglal, nem pedig a mesterséges intelligenciával elkövetett csalásokat. Idővel ez a Szövetségi Bűnügyi Rendőrség és az Europol becslésévé vált, amelyet azonban egyik ügynökség sem adott ki soha. Hasonló a helyzet az állítólagos félmillió csaló hívással is, amelyet a Szövetségi Hálózati Ügynökség állítólag 2026 januárjában rögzített. Ez az adat egy hívóazonosító alkalmazásból származik, és a saját felhasználói bázisából érkező bejelentéseket számolja össze.

A hatóságok tényleges álláspontja óvatosabb. A Szövetségi Bűnügyi Rendőrség a dpa hírügynökségnek azt nyilatkozta, hogy egy meggyőző unokahang szimulálása – a németből lefordítva – „mélyreható műszaki ismeretek nélkül is lehetséges, általánosan hozzáférhető mesterséges intelligencia-rendszerek segítségével”. Ez egy lehetőségre vonatkozó kijelentés, nem pedig esettanulmány. A német rendőrség csalóhívásokkal foglalkozó bűnmegelőzési oldalán a mesterséges intelligencia és a hangklónozás a mai napig egyáltalán nem szerepel.

Egy közelmúltbeli eset jól illusztrálja, miért indokolt a visszafogottság. 2026. április 29-én a Felső-Pfalzi rendőrség három, egyetlen délután alatt Regensburgban és Ambergben elkövetett csalóhívásos csalásról számolt be. Mindhárom beszélgetés oroszul zajlott, és szándékosan orosz nyelvű nyugdíjasokat vett célba. Aki szabadon tárgyal oroszul, és rugalmasan reagál egy 89 éves ember kérdéseire, az a telefon másik végén egy ember.

Ami valóban segít

Ha a figyelmes hallgatás nem segít, az egyetlen lehetőség a csatorna váltása. Minden hatékony intézkedés ebből az egyetlen gondolatból fakad.

Tegye le a kagylót, és hívja vissza saját maga. A német rendőrség a megelőzési honlapján így fogalmazott (németből fordítva): „Azonnal tegye le a kagylót. Ez nem udvariatlanság, hanem lehetőséget ad arra, hogy levegőt vegyen és összeszedje a gondolatait.” És: „Vegye fel a kapcsolatot a hívóval, vagy valakivel, akiben megbízik, egy olyan számon, amelyet már ismer.” Az utolsó rész a lényeg. Nem a visszahívás gomb, hanem a saját címjegyzékéből származó szám, mert a kijelzett számokat meg lehet hamisítani.

Egy jelszó, vagy egy kérdés, amelyre csak az igazi személy tud válaszolni. A rendőrség azt javasolja, hogy állapodjanak meg egy „telefonos azonosításra szolgáló jelszóban”, a Felső-Pfalzi rendőrség pedig hozzáteszi, hogy ennek könnyen megjegyezhetőnek és nehezen kitalálhatónak kell lennie. A nagyszülői csalásokról szóló oldalán ugyanez a hatóság a megbízhatóbb változatot ajánlja: „Kérdezzen meg a hívótól olyan dolgokat, amelyeket csak az igazi rokon vagy ismerős tudhat.” Egy jelszót sokkhatás alatt el lehet felejteni. A családi kutya 1998-as becenevét viszont nem, és egyetlen nyelvi modell sem tudja kitalálni, mert ez az információ sehol sem létezik.

Itt egy fontos figyelmeztetésre van szükség. A hívók sírással, időnyomással és egy állítólagos ügyvédhez való átkapcsolással reagálnak a kérdésekre. A kérdés feltevése önmagában nem elég. A sorrendnek a következőnek kell lennie: leteszi a kagylót, majd visszahívja.

Módosítsa a telefonkönyvi bejegyzését! Ez a leghatékonyabb és egyben a legkevésbé ismert tanács. A nagyszülői csalásokról szóló oldalán a német rendőrség szokatlanul nyers hangnemben fogalmaz, a németből lefordítva: „A csalók a telefonkönyvi bejegyzéseket használják fel az áldozatok kiválasztására a telefonos csalásokhoz. A régi keresztnevek vagy a rövid telefonszámok jelzik számukra, hogy a bejegyzés mögött egy idős ember áll.” Aki továbbra is szerepelni szeretne a telefonkönyvben, annak rövidítenie kell a keresztnevét. Ugyanezen az oldalon található egy kész űrlap a telefonszolgáltató számára. A telefonos csalás áldozatai számára a számváltoztatás általában ingyenes.

Ne adjon át semmit, és ha kétségei vannak, hívja a 110-et. A rendőrség üzenete rövidebb, mint bármely magyarázat: „Soha ne adjon pénzt vagy értéktárgyakat, például ékszereket idegeneknek, még a rendőrségnek sem.” Jelentse az esetet akkor is, ha csak kísérletről volt szó. Csak így lehet felismerni a csalási mintákat.

Az új címkézési kötelezettség ebben az esetben nem segít

Az AI-törvény átláthatósági kötelezettségei 2026. augusztus 2-tól léptek hatályba. Augusztus 5-én a bajor fogyasztói tanácsadó központ összefoglalta, hogy ez mit jelent, és megemlítette ezt a konkrét esetet is (németből fordítva): „Ez kifejezetten magában foglalja a szintetikus hangokat is. Bárki, aki klónozott hanggal létrehozott hívást vagy hangüzenetet kap, erről tájékoztatást kell kapnia.”

Formálisan a kötelezettség a hívót terheli, és a tisztán magáncélú, nem szakmai használatra vonatkozó mentesség nem terjed ki egy kereskedelmi alapon működő bűnbandára. A gyakorlatban ez semmit sem változtat az áldozat számára. Senki sem tartja be azt a közzétételi kötelezettséget, amely meghiúsítaná a bűncselekmény célját. A szabályt közigazgatási úton, akár 15 millió eurós bírsággal szankcionálják olyan vállalatok ellen, amelyeknek van címük és forgalmuk, nem pedig a külföldön tartózkodó névtelen hívók ellen. A büntetőjogban ez továbbra is a német büntető törvénykönyv 263. §-a szerinti csalásnak minősül, pontosan úgy, mint korábban.

Tatjana Halm, a bajor fogyasztói tanácsadó központ jogi és digitális ügyekért felelős vezetője maga is így fogalmaz (németből fordítva): „Az új szabályok nagyobb átláthatóságot teremtenek. De a csalók nem tartják be a szabályokat, így egy hiányzó címke nem garantálja a biztonságot.”

Ez az a mondat, amely az egész ellenőrzőlistát felváltja. Nincs címke, amire várni kellene, és nincs hang, amire figyelni kellene. Csak a második csatorna létezik.