Detektor głosu AI podczas rozmowy telefonicznej: jak telefon próbuje rozpoznać sklonowany głos, jakie sygnały analizuje i dlaczego wynik nie daje stuprocentowej pewności

Głos w słuchawce może brzmieć identycznie jak głos córki, szefa albo pracownika banku, a mimo to pochodzić z generatora AI. Problem jest jeszcze trudniejszy, niż sugeruje hasło „detektor głosu AI”, bo smartfon nie dysponuje jednym testem, który bezbłędnie rozstrzyga: człowiek albo klon. W praktyce stosowane są trzy różne podejścia: sprawdzanie, z jakiego urządzenia rzeczywiście wychodzi połączenie, analiza treści rozmowy pod kątem schematów oszustwa oraz badanie samego sygnału audio.

To rozróżnienie ma znaczenie. Jeśli telefon wyświetli ostrzeżenie, nie musi to oznaczać, że „usłyszał sztuczny głos”. Z kolei brak ostrzeżenia absolutnie nie potwierdza, że po drugiej stronie znajduje się właściwa osoba. Detektor jest dodatkową warstwą bezpieczeństwa, nie cyfrowym wariografem.

Telefon może wykryć podszywanie się, nie analizując głosu ani przez sekundę

Najciekawszym przykładem jest wprowadzona przez Google w 2026 roku funkcja Fake Call Detection w aplikacji Telefon od Google. Jej nazwa może sugerować analizę deepfake’u audio, ale mechanizm działa inaczej.

Gdy dzwoni osoba zapisana w kontaktach, urządzenia próbują wykonać w tle coś w rodzaju cyfrowego uścisku dłoni. Telefon dzwoniącego wysyła zaszyfrowane potwierdzenie, że połączenie rzeczywiście zostało zainicjowane z jego urządzenia. Jeśli ktoś sfałszuje numer telefonu i na ekranie odbiorcy pojawi się np. „Mama”, ale prawdziwy telefon mamy w tym czasie nie wykonuje połączenia, system może wykryć niezgodność.

To bardzo sensowne podejście, bo atakujący musiałby oszukać nie tylko człowieka, lecz także warstwę techniczną służącą do potwierdzania źródła połączenia.

Od czerwca 2026 roku Google rozpoczęło globalne wdrażanie rozwiązania. Wymagania są jednak konkretne:

• urządzenie musi działać pod kontrolą Androida 12 lub nowszego;

• potrzebna jest aplikacja Telefon od Google;

• zainstalowane muszą być również Kontakty Google i Wiadomości Google;

• wymagana jest obsługa RCS w Wiadomościach Google;

• zarówno osoba dzwoniąca, jak i odbierająca muszą używać Telefonu od Google.

W praktyce właśnie ostatni warunek jest najbardziej dokuczliwy. Jeśli bliska osoba dzwoni z iPhone’a, telefonu korzystającego z innego dialera albo z systemu firmowej telefonii VoIP, mechanizm nie ma pełnego zestawu danych potrzebnych do takiej weryfikacji.

Co ważne, Fake Call Detection nie rozstrzyga, czy głos jest syntetyczny. Sprawdza raczej: „czy połączenie rzeczywiście pochodzi z telefonu osoby zapisanej pod tym numerem?”. To chroni przed bardzo groźnym wariantem ataku, w którym przestępca jednocześnie podrabia numer i wykorzystuje sklonowany głos.

Drugi typ zabezpieczenia to Scam Detection. Tutaj AI może analizować przebieg rozmowy i szukać schematów typowych dla oszustwa: nacisku na natychmiastowe działanie, próśb o przelew, kod autoryzacyjny, dane logowania czy instalację aplikacji. Google wykorzystuje do tego przetwarzanie wykonywane lokalnie na urządzeniu w obsługiwanych modelach.

I znów: jest to wykrywanie zachowania oszusta, a nie laboratoryjne badanie autentyczności strun głosowych.

Dla polskiego użytkownika ważna jest jeszcze jedna rzecz. Truecaller ma funkcję AI Call Scanner, która rzeczywiście próbuje rozróżnić głos człowieka od głosu wygenerowanego przez AI. Mimo że sam Truecaller działa również w Polsce, AI Call Scanner według aktualnej informacji producenta pozostaje dostępny wyłącznie w USA na Androidzie jako element planu Premium. Nie należy więc instalować aplikacji w Polsce z założeniem, że pojawi się w niej działający przycisk do wykrywania klonów głosu.

Kiedy detektor naprawdę słucha głosu, szuka śladów niewidocznych dla człowieka

Człowiek ocenia głos przede wszystkim po barwie, intonacji i sposobie mówienia. Algorytm patrzy szerzej. Próbka audio jest dzielona na krótkie fragmenty, a następnie zamieniana na zestaw cech liczbowych albo reprezentację analizowaną przez sieć neuronową.

Jednym z podstawowych parametrów jest częstotliwość podstawowa F0, potocznie związana z wysokością głosu. Znaczenie ma nie tylko średnia wartość, ale również:

• zakres zmian wysokości tonu;

• odchylenie standardowe F0;

• szybkość zmian intonacji;

• regularność kolejnych fragmentów wypowiedzi.

Naturalny głos nie jest idealnie równy. Mięśnie krtani, oddech i artykulacja powodują drobne odchylenia. Syntezatory przez lata tworzyły mowę zbyt regularną. Dzisiejsze modele potrafią już imitować takie niedoskonałości, dlatego sam parametr F0 dawno przestał wystarczać.

Drugą grupą są cechy widmowe. Algorytm rozkłada dźwięk na częstotliwości i sprawdza, jak rozłożona jest energia sygnału. Analizowane mogą być m.in. spectral centroid, szerokość pasma, współczynniki MFCC czy subtelne pozostałości działania vocodera.

W badaniu opublikowanym w 2026 roku model wykorzystujący zestaw cech prozodycznych, jakościowych i widmowych osiągnął około 93 proc. trafności na testowanym zbiorze nagrań, również w wariancie 16 kHz odpowiadającym jakości zbliżonej do telefonicznej. Szczególnie użyteczne okazały się zmienność wysokości głosu oraz bogactwo widmowe sygnału.

To dobry wynik laboratoryjny. Nie wolno jednak czytać go jako „telefon wykryje 93 ze 100 oszustów”. Wynik dotyczył konkretnego modelu, zbioru danych i sposobu przygotowania próbek.

Nowsze systemy szukają jeszcze drobniejszych śladów. Jednym z nich jest oddech. Człowiek musi nabierać powietrza, a oddech pozostawia charakterystyczne, krótkie elementy akustyczne między słowami. Generator głosu może je pominąć, wygenerować w nienaturalnym miejscu albo odtworzyć z inną strukturą częstotliwościową.

Model BreathNet opisany w 2026 roku łączył właśnie informacje:

• czasowe;

• częstotliwościowe;

• dotyczące oddechu.

Na kilku benchmarkach uzyskał EER rzędu około 4,7-4,9 proc. EER, czyli Equal Error Rate, jest punktem, w którym odsetek fałszywego uznania nagrania za autentyczne jest równy odsetkowi błędnego odrzucenia prawdziwego nagrania. Im niższa wartość, tym lepiej.

Algorytmy mogą badać również:

Mikropauzy i rytm.
Generator musi zdecydować, gdzie zrobić przerwę, jak długo ją utrzymać i jak przejść do następnego słowa. Zbyt regularne pauzy bywają sygnałem ostrzegawczym.

Jakość głosu.
Analizowane mogą być drobne wahania okresu drgań i amplitudy oraz stosunek sygnału harmonicznego do szumu. Dawniejsze syntezatory zostawiały tu bardzo wyraźne ślady.

Przejścia między głoskami.
Najbardziej wymagające fragmenty nie zawsze znajdują się w środku samogłoski. Problemy generatora mogą ujawniać się przy zmianie miejsca artykulacji, spółgłoskach, sybilantach i nagłych zmianach energii.

Ślady vocodera lub kodeka neuronowego.
Generator zamienia reprezentację mowy na falę dźwiękową. Ten etap może pozostawić charakterystyczny „odcisk palca” w widmie. Problem polega na tym, że kolejna generacja technologii używa innych metod i stary detektor może takiego śladu już nie znać.

Spójność w czasie.
Model może analizować kilka sekund rozmowy i sprawdzać, czy cechy akustyczne pozostają zgodne z fizjologią naturalnej mowy. Krótka próbka daje mniej materiału do oceny.

To właśnie dlatego dobre systemy nie opierają decyzji na jednym parametrze. Łączą dziesiątki lub setki cech i wyliczają prawdopodobieństwo przynależności próbki do klasy „real” albo „synthetic”.

Dlaczego nawet świetny detektor może się pomylić i co wtedy zrobić

Rozmowa telefoniczna jest jednym z najgorszych środowisk dla analizy kryminalistycznej dźwięku. Sygnał może zostać po drodze skompresowany, odszumiony, wyrównany, przeskalowany i ponownie zakodowany. Do tego dochodzą echo, zestaw głośnomówiący, Bluetooth, szum ulicy albo słaby zasięg.

Każda taka operacja może usunąć ślady pozostawione przez generator albo — co równie niebezpieczne — stworzyć artefakty, które detektor omyłkowo uzna za ślad AI.

Właśnie dlatego współczesne benchmarki coraz częściej testują systemy po zastosowaniu:

• kompresji kodekiem;

• zmiany częstotliwości próbkowania;

• ograniczenia pasma;

• szumu;

• pogłosu;

• normalizacji głośności;

• kompresji dynamiki.

W challenge’u RADAR 2026 przygotowano ponad 100 tys. próbek w wielu językach i celowo poddawano dźwięk takim przekształceniom. Wniosek z podobnych testów jest niewygodny, ale ważny: detektor świetny na czystych danych nie musi być równie dobry podczas prawdziwego połączenia telefonicznego.

Drugi problem to nowe generatory. Detektor uczy się na określonych rodzajach głosów syntetycznych. Jeśli pojawi się model wykorzystujący inny vocoder, kodek neuronowy albo sposób konwersji głosu, charakterystyczny zestaw artefaktów może się zmienić.

To klasyczny wyścig zbrojeń. Generator poprawia element, który zdradzał syntetyczną mowę. Detektor dostaje nowe próbki i uczy się kolejnych sygnałów. Po kilku miesiącach pojawia się następna generacja syntezy.

Jest jeszcze trzeci problem: prawdziwy człowiek może brzmieć „sztucznie”. Mocno skompresowane połączenie, aparat słuchowy, syntezator mowy używany przez osobę z niepełnosprawnością, kiepski mikrofon albo intensywne cyfrowe usuwanie szumu mogą wpłynąć na klasyfikację.

Dlatego komunikat „AI Voice Detected” powinien znaczyć: zwiększ poziom ostrożności, a nie: „system udowodnił próbę przestępstwa”.

Najbezpieczniejsza procedura przy rozmowie dotyczącej pieniędzy, danych albo pilnej sytuacji rodzinnej jest prostsza od całej technologii:

1. Nie wykonuj polecenia podczas tej samej rozmowy.

2. Rozłącz się.

3. Samodzielnie wybierz zapisany wcześniej numer osoby lub oficjalny numer instytucji.

4. Przy prośbie o przelew potwierdź sprawę drugim kanałem, np. wiadomością w znanym komunikatorze.

5. W rodzinie można ustalić hasło awaryjne, którego nie publikuje się w mediach społecznościowych.

6. Nie podawaj kodów BLIK, kodów SMS, haseł ani danych logowania osobie dzwoniącej.

7. Jeśli rozmówca przedstawia się jako bank, zadzwoń sam na numer widoczny w aplikacji bankowej albo na odwrocie karty.

Najważniejszy jest punkt trzeci. Ponowne połączenie z numerem wybranym samodzielnie przerywa kanał kontrolowany przez oszusta. Samo oddzwonienie z listy ostatnich połączeń jest gorszym pomysłem, jeżeli nie masz pewności, jaki numer rzeczywiście został pokazany.

W Polsce podejrzany incydent można zgłosić do CERT Polska, a jeśli doszło już do wyłudzenia pieniędzy albo danych — także Policji i bankowi. Przy przelewie liczy się czas: bank powinien dostać informację natychmiast, zanim środki zostaną przesłane dalej.

Nie ma natomiast sensu prowadzenie własnego „testu głosu” przez telefon w rodzaju: „powiedz szybko trudne zdanie” albo „zaśpiewaj piosenkę”. Nowoczesne modele potrafią generować głos na żywo i reagować na rozmówcę. Lepsze jest pytanie o fakt znany wyłącznie obu osobom albo przerwanie rozmowy i niezależna weryfikacja.

FAQ

Czy telefon może ze stuprocentową pewnością wykryć sklonowany głos?
Nie. Klasyfikacja audio jest probabilistyczna, a skuteczność spada przy nowych generatorach, kompresji, szumie i nietypowych warunkach rozmowy.

Czy Android Fake Call Detection słucha rozmowy?
Nie na tym polega jego podstawowy mechanizm. System sprawdza, czy połączenie faktycznie pochodzi z urządzenia zapisanego kontaktu, wykorzystując zaszyfrowaną weryfikację między urządzeniami.

Czy funkcja działa w Polsce?
Google rozpoczęło globalne wdrażanie Fake Call Detection dla urządzeń z Androidem 12 lub nowszym. Potrzebne są Telefon od Google, Kontakty Google, Wiadomości Google z RCS oraz Telefon od Google po obu stronach połączenia. Dostępność na konkretnym urządzeniu zależy również od wdrożenia aktualizacji.

Czy Truecaller wykrywa głosy AI w Polsce?
Sam Truecaller jest dostępny w Polsce, ale jego AI Call Scanner analizujący głos jest obecnie oferowany tylko użytkownikom Androida w USA w ramach Truecaller Premium.

Po czym algorytm poznaje głos AI?
Może analizować m.in. zmienność wysokości głosu, rytm, mikropauzy, strukturę widma, ślady vocodera, oddech oraz długoterminową spójność parametrów mowy.

Czy brak ostrzeżenia oznacza, że rozmówca jest prawdziwy?
Nie. To najważniejsze ograniczenie całego rozwiązania. Detektor może nie znać nowego generatora albo nie mieć wystarczająco dobrej próbki dźwięku.

Co zrobić, gdy „bliska osoba” dzwoni i pilnie prosi o pieniądze?
Rozłączyć się i samodzielnie zadzwonić na wcześniej znany numer tej osoby. Nie wykonywać przelewu ani nie podawać kodu BLIK podczas pierwszej rozmowy, nawet jeśli głos brzmi idealnie.

Co jest dziś skuteczniejsze: rozpoznawanie głosu AI czy weryfikacja urządzenia?
W przypadku podszywania się pod zapisany kontakt weryfikacja źródła połączenia jest bardzo mocną warstwą ochrony, ponieważ nie próbuje zgadywać po brzmieniu głosu. Analiza audio pozostaje potrzebna w sytuacjach, w których takiej technicznej weryfikacji nie da się przeprowadzić.

Od czego zacząć zabezpieczenie własnego telefonu?
Najpierw zaktualizować Androida i aplikację Telefon, sprawdzić obsługę RCS oraz włączyć dostępne funkcje ochrony przed oszustwami. Dopiero później warto myśleć o dodatkowych aplikacjach. Największy błąd to traktowanie dowolnego zielonego komunikatu „bezpieczne” jako zgody na przelew lub podanie danych.