Những kẻ lừa đảo tại Maharashtra đã sử dụng giọng nói do AI tạo ra để chiếm đoạt 11,8 lakh ₹ từ một nạn nhân, người vốn nghĩ rằng mình đang trò chuyện với gia đình của một cô dâu tiềm năng. Vụ gian lận này dựa trên một mô hình sao chép giọng nói zero-shot (zero-shot voice-cloning model), có khả năng sao chép tông giọng của nạn nhân chỉ từ vài giây âm thanh, biến một cuộc trò chuyện cá nhân thành một vũ khí.

Diễn biến vụ lừa đảo

Những kẻ thủ ác trước tiên đã thu thập từ 3 đến 30 giây giọng nói của mục tiêu từ các nguồn công khai—các bài đăng trên mạng xã hội, các đoạn tin nhắn thoại hoặc các ứng dụng nhắn tin. Các công cụ tổng hợp giọng nói hiện đại có thể biến mẫu âm thanh ngắn ngủi đó thành một bản sao đầy thuyết phục mà không cần thêm dữ liệu đào tạo, một kỹ thuật được gọi là tổng hợp zero-shot (zero-shot synthesis). Với giọng nói tổng hợp này, những kẻ lừa đảo đã tham gia vào một cuộc thảo luận về hôn nhân, mạo danh một thành viên trong gia đình và yêu cầu chuyển tiền để đảm bảo việc "kết hôn". Tin rằng yêu cầu đến từ một giọng nói đáng tin cậy, nạn nhân đã chuyển tiền và sau đó mới phát hiện ra sự lừa dối.

Tại sao điều này lại quan trọng đối với các đội ngũ an ninh

Deepfake âm thanh vốn luôn đi sau các vụ làm giả video, nhưng việc tạo ra một bản sao giọng nói đáng tin cậy hiện đã trở nên rẻ và nhanh chóng. Có ba yếu tố kỹ thuật khiến việc phát hiện trở nên khó khăn:

  • Nén đường truyền điện thoại loại bỏ các tín hiệu âm học tinh vi mà các công cụ pháp chứng dựa vào, làm mờ ranh giới giữa giọng nói thật và giả.
  • Tiếng ồn môi trường trong các cuộc gọi thực tế che lấp các dấu vết kỹ thuật (artefacts) mà lẽ ra có thể giúp chuyên gia phân tích nhận diện.
  • Tổng hợp thời gian thực cho phép những kẻ lừa đảo phản hồi ngay lập tức, loại bỏ độ trễ mà các hệ thống chuyển văn bản thành giọng nói (text-to-speech) cũ thường gặp và giúp cuộc hội thoại diễn ra tự nhiên.

Nếu một tổ chức vẫn xác thực người dùng bằng cách dựa vào "giọng nói của bạn nghe giống ai", họ sẽ đối mặt trực tiếp với chính loại tấn công này.

Những gì đang bị đe dọa

Đối với các cá nhân, tổn thất là tức thì và mang tính cá nhân—11,8 lakh ₹.

Kịch bản ứng phó

Các kỹ sư an ninh có thể tăng cường phòng thủ bằng cách coi mọi luồng âm thanh đến là không đáng tin cậy và thực hiện xác minh theo nhiều lớp:

  • Xác thực đa phương thức – Kết hợp giọng nói với các dấu hiệu hình ảnh (nhận diện khuôn mặt) và siêu dữ liệu (metadata) như dấu vân tay thiết bị (device fingerprints). Chỉ riêng giọng nói tổng hợp sẽ không đủ để đáp ứng các bước kiểm tra danh tính.
  • Xác nhận qua kênh phụ – Yêu cầu thực hiện một bước theo dõi qua một ứng dụng đã được phê duyệt trước, email hoặc nền tảng nhắn tin bảo mật trước khi phê duyệt các hành động có giá trị cao.
  • Chứng minh danh tính bằng thuật toán – Triển khai các nhúng khuôn mặt dựa trên vector (vector-based facial embeddings) hoặc các điểm số tương đồng dựa trên toán học khác thay vì dựa vào phán đoán của con người. Các số liệu khoảng cách tự động có thể gắn cờ những điểm không khớp mà người nghe có thể bỏ lỡ.

Những bước này chuyển việc xác minh từ "giọng nói nghe có vẻ đúng" sang các bằng chứng khách quan, được kiểm tra chéo.

Những điều cần lưu ý tiếp theo

Các tổ chức nên kiểm tra lại bất kỳ quy trình làm việc nào chấp nhận giọng nói là bằng chứng duy nhất về danh tính. Hãy thực hiện các bài tập diễn tập (tabletop exercises) mô phỏng các cuộc tấn công sao chép giọng nói, cập nhật kịch bản ứng phó sự cố và đầu tư vào các công cụ phát hiện giúp gắn cờ các điểm bất thường trong các dấu vết nén hoặc chữ ký âm thanh—với hiểu biết rằng các công cụ này chỉ cung cấp một lớp bảo vệ một phần.

Kết luận

Trường hợp tại Maharashtra chứng minh rằng việc sao chép giọng nói bằng AI không còn là lý thuyết; nó có thể rút sạch tiền thật từ những người không cảnh giác chỉ trong vài phút. Các đội ngũ an ninh nếu tiếp tục tin tưởng vào một giọng nói mà không có bằng chứng xác thực sẽ có nguy cơ lặp lại tổn thất này trên quy mô lớn hơn. Con đường phía trước đã rõ ràng: hãy tích hợp nhiều yếu tố xác minh độc lập và coi mọi cuộc gọi đều có khả năng là giả mạo cho đến khi được chứng minh ngược lại.