മഹാരാഷ്ട്രയിലെ തട്ടിപ്പുകാർ AI ഉപയോഗിച്ച് നിർമ്മിച്ച ശബ്ദം ഉപയോഗിച്ച് ഒരു വ്യക്തിയിൽ നിന്ന് ₹11.8 ലക്ഷം രൂപ തട്ടിയെടുത്തു. വിവാഹാലോചനയുമായി ബന്ധപ്പെട്ട ഒരു കുടുംബാംഗങ്ങളോട് സംസാരിക്കുകയാണെന്ന് കരുതിയ വ്യക്തിയെയാണ് അവർ ലക്ഷ്യം വെച്ചത്. വെറും ഏതാനും സെക്കൻഡുകൾ മാത്രം ദൈർഘ്യമുള്ള ഓഡിയോയിൽ നിന്ന് ഇരയുടെ ശബ്ദത്തിന്റെ ശൈലി അനുകരിക്കുന്ന ഒരു 'zero-shot voice-cloning' മോഡലാണ് ഈ തട്ടിപ്പിന് പിന്നിൽ. ഒരു വ്യക്തിപരമായ സംഭാഷണത്തെ ഒരു ആയുധമാക്കി മാറ്റുകയായിരുന്നു അവർ ചെയ്തത്.

തട്ടിപ്പ് നടന്ന രീതി

തട്ടിപ്പുകാർ ആദ്യം സോഷ്യൽ മീഡിയ പോസ്റ്റുകൾ, വോയിസ് മെസ്സേജുകൾ അല്ലെങ്കിൽ മെസ്സേജിംഗ് ആപ്പുകൾ എന്നിവയിൽ നിന്ന് ലക്ഷ്യമിടുന്ന വ്യക്തിയുടെ 3 മുതൽ 30 സെക്കൻഡ് വരെയുള്ള ശബ്ദം ശേഖരിക്കുന്നു. ആധുനിക സ്പീച്ച്-സിന്തസിസ് (speech-synthesis) ടൂളുകൾ അധിക പരിശീലന ഡാറ്റയുടെ (training data) സഹായമില്ലാതെ തന്നെ ആ ചെറിയ സാമ്പിളിനെ വിശ്വസനീയമായ ഒരു ശബ്ദമായി മാറ്റുന്നു; ഇതിനെ 'zero-shot synthesis' എന്ന് വിളിക്കുന്നു. ഈ കൃത്രിമ ശബ്ദം ഉപയോഗിച്ച്, തട്ടിപ്പുകാർ ഒരു വിവാഹാലോചനയിൽ പങ്കുചേരുകയും ഒരു കുടുംബാംഗത്തെപ്പോലെ അഭിനയിക്കുകയും ചെയ്തു. വിവാഹം ഉറപ്പാക്കാൻ പണം കൈമാറണമെന്ന് അവർ ആവശ്യപ്പെട്ടു. വിശ്വസനീയമായ ഒരു ശബ്ദത്തിൽ നിന്നാണ് ഈ അഭ്യർത്ഥന വരുന്നത് എന്ന് വിശ്വസിച്ച ഇര പണം അയച്ചു, എന്നാൽ പിന്നീട് തട്ടിപ്പിനെക്കുറിച്ച് തിരിച്ചറിഞ്ഞു.

സെക്യൂരിറ്റി ടീമുകൾ ഇത് ശ്രദ്ധിക്കേണ്ടത് എന്തുകൊണ്ട്

വീഡിയോ വ്യാജരൂപങ്ങളെക്കാൾ പിന്നിലായിരുന്നു ഓഡിയോ ഡീപ്ഫേക്കുകൾ (audio deepfakes), എന്നാൽ ഇപ്പോൾ വിശ്വസനീയമായ ഒരു വോയിസ് ക്ലോൺ നിർമ്മിക്കുന്നത് വളരെ വേഗത്തിലും കുറഞ്ഞ ചിലവിലും സാധ്യമാണ്. തിരിച്ചറിയൽ പ്രക്രിയയെ പ്രയാസകരമാക്കുന്ന മൂന്ന് സാങ്കേതിക ഘടകങ്ങൾ ഇവയാണ്:

  • Phone-line compression ഫോൺ സംഭാഷണങ്ങളിലെ സൂക്ഷ്മമായ ശബ്ദ വ്യതിയാനങ്ങളെ (acoustic cues) ഇല്ലാതാക്കുന്നു, ഇത് യഥാർത്ഥ ശബ്ദവും വ്യാജ ശബ്ദവും തമ്മിലുള്ള വ്യത്യാസം തിരിച്ചറിയുന്നത് പ്രയാസകരമാക്കുന്നു.
  • യഥാർത്ഥ കോളുകളിലെ Ambient noise (പരിസര ശബ്ദങ്ങൾ), ഒരു അനലിസ്റ്റിന് വ്യാജമാണെന്ന് തിരിച്ചറിയാൻ സഹായിക്കുന്ന സൂചനകളെ മറച്ചുവെക്കുന്നു.
  • Real-time synthesis തട്ടിപ്പുകാർക്ക് ഉടനടി മറുപടി നൽകാൻ സഹായിക്കുന്നു. ഇത് പഴയ ടെക്സ്റ്റ്-ടു-സ്പീച്ച് (text-to-speech) സംവിധാനങ്ങളിലെ കാലതാമസം ഒഴിവാക്കുകയും സംഭാഷണം സ്വാഭാവികമായി മുന്നോട്ട് കൊണ്ടുപോകാൻ സഹായിക്കുകയും ചെയ്യുന്നു.

ഒരു സ്ഥാപനം ഇപ്പോഴും "ശബ്ദം ആരെപ്പോലെയാണ്" എന്നതിനെ മാത്രം അടിസ്ഥാനമാക്കി ഉപയോക്താക്കളെ തിരിച്ചറിയുന്നുണ്ടെങ്കിൽ, അവർ ഇത്തരത്തിലുള്ള ആക്രമണങ്ങൾക്ക് ഇരയാകാൻ സാധ്യതയുണ്ട്.

എന്താണ് നഷ്ടപ്പെടുന്നത്

വ്യക്തികളെ സംബന്ധിച്ചിടത്തോളം, നഷ്ടം ഉടനടിയുള്ളതും വ്യക്തിപരവുമാണ്—₹11.8 ലക്ഷം.

പ്രതിരോധ മാർഗങ്ങൾ

വരുന്ന എല്ലാ വോയിസ് സ്ട്രീമുകളെയും വിശ്വസിക്കാൻ പാടില്ലാത്തവയായി കണ്ട്, വിവിധ പരിശോധനകൾ ഏർപ്പെടുത്തുന്നതിലൂടെ സെക്യൂരിറ്റി എഞ്ചിനീയർമാർക്ക് പ്രതിരോധം ശക്തമാക്കാം:

  • Multimodal authentication – ശബ്ദത്തോടൊപ്പം വിഷ്വൽ സൂചനകളും (facial recognition) ഡിവൈസ് ഫിംഗർപ്രിന്റുകൾ പോലുള്ള മെറ്റാഡേറ്റയും ഉപയോഗിക്കുക. ഒരു കൃത്രിമ ശബ്ദം മാത്രം ഐഡന്റിറ്റി പരിശോധനയ്ക്ക് മതിയാകരുത്.
  • Secondary-channel confirmation – ഉയർന്ന മൂല്യമുള്ള ഇടപാടുകൾക്ക് മുൻപായി, മുൻകൂട്ടി അംഗീകരിച്ച ഒരു ആപ്പ്, ഇമെയിൽ അല്ലെങ്കിൽ സുരക്ഷിതമായ മെസ്സേജിംഗ് പ്ലാറ്റ്‌ഫോം എന്നിവയിലൂടെ സ്ഥിരീകരണം ആവശ്യപ്പെടുക.
  • Algorithmic identity proof – മനുഷ്യന്റെ വിധിനിർണ്ണയത്തെ മാത്രം ആശ്രയിക്കുന്നതിന് പകരം വെക്റ്റർ അധിഷ്ഠിത ഫേഷ്യൽ എംബെഡിംഗുകളോ (vector-based facial embeddings) മറ്റ് ഗണിതശാസ്ത്രപരമായ സാമ്യ സ്കോറുകളോ ഉപയോഗിക്കുക. കേൾവിക്കാർക്ക് തിരിച്ചറിയാൻ കഴിയാത്ത വ്യത്യാസങ്ങൾ പോലും ഓട്ടോമേറ്റഡ് മെട്രിക്സുകൾക്ക് കണ്ടെത്താൻ കഴിയും.

ഈ നടപടികൾ വെറുമൊരു "ശബ്ദം ശരിയാണെന്ന് തോന്നുന്നു" എന്ന അവസ്ഥയിൽ നിന്ന് വസ്തുനിഷ്ഠവും പരിശോധിക്കപ്പെട്ടതുമായ തെളിവുകളിലേക്കുള്ള മാറ്റം ഉറപ്പാക്കുന്നു.

ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

ശബ്ദത്തെ മാത്രം ഐഡന്റിറ്റിയുടെ തെളിവായി സ്വീകരിക്കുന്ന എല്ലാ പ്രവർത്തനരീതികളും (workflow) സ്ഥാപനങ്ങൾ ഓഡിറ്റ് ചെയ്യണം. വോയിസ് ക്ലോണിംഗ് ആക്രമണങ്ങൾ അനുകരിക്കുന്ന ടേബിൾ ടോപ്പ് വ്യായാമങ്ങൾ (tabletop exercises) നടത്തുക, ഇൻസിഡന്റ് റെസ്പോൺസ് പ്ലേബുക്കുകൾ പുതുക്കുക, കംപ്രഷൻ ആർട്ടെഫാക്റ്റുകളിലോ അക്കോസ്റ്റിക് സിഗ്നേച്ചറുകളിലോ ഉള്ള വ്യതിയാനങ്ങൾ കണ്ടെത്താൻ സഹായിക്കുന്ന ടൂളുകളിൽ നിക്ഷേപം നടത്തുക—എങ്കിലും ഇത്തരം ടൂളുകൾ ഭാഗികമായ സംരക്ഷണം മാത്രമേ നൽകൂ എന്ന് മനസ്സിലാക്കുക.

ചുരുക്കത്തിൽ

മഹാരാഷ്ട്രയിലെ ഈ സംഭവം തെളിയിക്കുന്നത് AI ഉപയോഗിച്ചുള്ള വോയിസ് ക്ലോണിംഗ് ഇനി വെറുമൊരു സിദ്ധാന്തമല്ല; മറിച്ച് നിഷ്കളങ്കരായ ആളുകളിൽ നിന്ന് മിനിറ്റുകൾക്കുള്ളിൽ വലിയ തുക തട്ടിയെടുത്തേക്കാം എന്നതാണ്. മറ്റ് തെളിവുകളില്ലാതെ ശബ്ദത്തെ മാത്രം വിശ്വസിക്കുന്ന സെക്യൂരിറ്റി ടീമുകൾക്ക് വലിയ തോതിലുള്ള നഷ്ടം സംഭവിക്കാൻ സാധ്യതയുണ്ട്. ഇതിനുള്ള പരിഹാരം വ്യക്തമാണ്: ഒന്നിലധികം സ്വതന്ത്രമായ വെരിഫിക്കേഷൻ ഘടകങ്ങൾ ഉൾപ്പെടുത്തുക, കൂടാതെ തെളിവുകൾ ലഭിക്കുന്നത് വരെ ഓരോ കോളും കൃത്രിമമായിരിക്കാൻ സാധ്യതയുണ്ടെന്ന് കരുതി കൈകാര്യം ചെയ്യുക.