耳听也不一定为实，AI语音已能骗得百万巨款

日前，AI换脸应用ZAO在国内市场引发了大量的关注，而人工智能的普及也让日常生活发生了不小的改变。但AI作为工具来说，自然是无所谓善恶的，就像ZAO以AI为武器试图获取用户隐私相关信息一样，在国外市场AI也成为了犯罪分子手中的工具。

日前根据《华尔街日报》的报道，有黑客团伙成功模仿了英国某能源公司在德国母公司CEO的声音，并其手中骗取了22万欧元。而这一骗局说起来也十分简单，这家英国能源公司的CEO以为其正在与他老板，也就是母公司的CEO通话，后者要求他将资金汇给匈牙利供应商。

这种套路对于国人来说是不是异常熟悉，这正是此前出现QQ冒充老板诈骗的变种或者升级版了。而二者的区别就在于，骗子是盗取QQ号利用文字诈骗，而海外黑客则技高一筹，直接模仿了老板的声音。毫无疑问，这伙黑客并不是什么能够模仿他人声音的奇人异士，而只是使用AI来复刻了德国老板的德味英语和说话音调，让来自英国的下属认可其就是他老板。那么这一切究竟是怎么做到的呢？我们不妨从头说起。

首先，我们此前曾经提到过，目前在电话营销领域，机器人的比重越来越大，而且声音也与真人无异。不过这种模式基于关键词播放录音，而录音本身则是由真人完成，是千篇一律的话术。而量身定制的诈骗行为，肯定是不会用这样无法随机应变的方式。

众所周知，人工智能背后依靠的是机器学习和深度学习作为技术支持，大数据作为训练对象。比如说，谷歌Duplex作为当下最知名的智能语音代表，其之所以能实现“自然对话”，背后靠的是自然语义理解、自然行为建模，以及自然语气三大核心，谷歌在循环神经网络的基础上，使用低置信度模型来解决响应问题、基于WaveNet和Tacotron的合成TTS（文本到语音）引擎，来控制语音语调。

其中，TTS引擎就是今天的主角，也正是海外黑客团伙能够合成他人自然语音的关键。比如说，谷歌旗下的DeepMind团队在2016年推出的WaveNet，百度方面在2018年拿出的Deep Voice系统，就是典型的TTS引擎。但无论是WaveNet还是Deep Voice，其实都是从海量人声样本中提取数据及特征，并建立一个音频模型，而语音合成神经网络则根据这些模型进行调整，以设计出不同特征的声音。在实践过程中，Deep Voice能够将各种文本特征（文字、音素、重音）转换为声学特征，然后再将这些声学特征作为声音波形合成模型输入。

当然，WaveNet与Deep Voice还要依靠大数据来进行训练，并需要一段时间的学习，才能达到模仿真人声音的效果。而科技进步的脚步是不会停下的，谷歌在去年实现了能够实时语音克隆的SV2TTS，这是一个三阶深度学习框架，只需要5秒钟的低分辨率原音信息，这一框架就能提取其中的声纹和声线来生成梅尔（mel）谱图，最后基于自回归波的语音生成网络，将梅尔谱图数据转换为与原音相似度极高的合成语音波型文件。

而作为国际知名的科技巨头和创新先锋，谷歌并没有将SV2TT敝帚自珍，而是将其上传到Github等开源社区中。因此这个诈骗了22万欧元的黑客团伙，在通过某渠道获得了德国老板的联系方式，通过短暂对话拿到后者语音素材之后，很容易就以此为基础生成了用于诈骗的实时语音。

那么有没有办法针对这种新型高科技诈骗的办法呢？其实从技术层面来看很难，所谓以AI制AI的方法也并没有太多普适性，但大家不妨多一个心眼，如果未来接到了你老板打来要求转账给其他人的电话，试试用其他方式联络老板来做个“双因素验证”，毕竟骗子也不太可能做到面面俱到。

【本文图片来自网络】