想到可以利用AI進(jìn)行詐騙的可不止一些初創(chuàng)公司，當(dāng)下AI技術(shù)如此發(fā)達(dá)，換臉都能輕松實(shí)現(xiàn)，那聲音呢?

提到這種變聲技術(shù)，可能最先想到的是《名偵探柯南》中柯南使用的蝴蝶結(jié)變聲器，柯南正是利用阿笠博士的這個發(fā)明把“沉睡的毛利小五郎”捧上了偵探界的神壇。

但是試想，如果有人把這項(xiàng)技術(shù)用于詐騙，是不是頓時后背發(fā)涼?

據(jù)《華爾街日報》報道，今年3月份，有犯罪分子就使用了類似的AI技術(shù)，他們成功模仿了英國某能源公司在德國母公司CEO的聲音，詐騙了220,000歐元(約1,730,806人民幣)。

網(wǎng)絡(luò)犯罪專家稱，這是黑客攻擊中利用AI技術(shù)的一次不尋常案例。

三次電話，損失22萬歐元

案發(fā)時，該公司的CEO誤以為他正在與他的老板，也就是德國母公司的CEO通電話，老板要求他將資金匯給匈牙利供應(yīng)商。據(jù)該公司的保險公司Euler Hermes Group SA稱，來電者表示該請求非常緊急，要求行政人員在一小時內(nèi)付款。

慕尼黑的金融服務(wù)公司Allianz SE旗下子公司Euler Hermes的欺詐專家Rüdiger Kirsch說，犯罪分子總共打了三次電話。220,000歐元轉(zhuǎn)移后，他們打電話說母公司已經(jīng)轉(zhuǎn)移資金償還英國公司，然后他們在當(dāng)天晚些時候進(jìn)行了第三次電話會議，再次冒充首席執(zhí)行官，要求第二次付款。由于轉(zhuǎn)賬償還資金還沒有到來，而第三次電話是來自奧地利的電話號碼，行政部門開始懷疑，沒有支付第二筆款項(xiàng)。

根據(jù)Kirsch先生的說法，轉(zhuǎn)入匈牙利銀行賬戶的資金隨后轉(zhuǎn)移到墨西哥并分發(fā)到其他地方，調(diào)查人員沒有發(fā)現(xiàn)任何嫌犯，而且，Euler Hermes承擔(dān)了受害公司索賠的全部金額，但沒有處理要求追回涉及AI犯罪損失的索賠。

Kirsch先生認(rèn)為，使用AI詐騙對公司來說是新的挑戰(zhàn)，傳統(tǒng)網(wǎng)絡(luò)安全工具無法發(fā)現(xiàn)欺騙性的聲音，而黑客往往就是使用商業(yè)語音生成軟件進(jìn)行攻擊。Kirsch先生用這種產(chǎn)品錄制了自己的聲音，并說復(fù)制版本聽起來很真實(shí)。

目前還不清楚攻擊者是否使用機(jī)器人對受害者的問題作出反應(yīng)。歐洲刑警組織歐洲網(wǎng)絡(luò)犯罪中心戰(zhàn)略負(fù)責(zé)人菲利普·阿曼說，如果他們這樣做，執(zhí)法當(dāng)局調(diào)查可能會更加困難。Kirsch先生說，警方對此案的調(diào)查已經(jīng)結(jié)束，歐洲刑警組織沒有參與。

從語音轉(zhuǎn)發(fā)到語音復(fù)制，聲音還有多少可信度?

其實(shí)，執(zhí)法當(dāng)局和AI專家早有預(yù)言，犯罪分子將使用AI進(jìn)行自動化網(wǎng)絡(luò)攻擊。無論是誰策劃了這一事件，他們都已經(jīng)使用AI軟件成功地通過電話模仿了德國高管的聲音。

雖然有歐洲官員表示，這是他們第一次聽說在歐洲發(fā)生AI變聲語音詐騙，而且犯罪分子明顯依賴于AI變聲技術(shù)，但這遠(yuǎn)非第一起利用語音進(jìn)行詐騙的案件，在國內(nèi)，變聲技術(shù)早已被用于網(wǎng)絡(luò)詐騙中，人民網(wǎng)微博最早在去年八月就發(fā)布了利用微信語音詐騙的案件消息。

犯罪分子利用的是一種名叫“增強(qiáng)版微信”的軟件，這種“增強(qiáng)版微信”具有能夠轉(zhuǎn)發(fā)語音消息、克隆好友朋友圈、看到對方撤回的消息等功能。

據(jù)稱，這些功能都是服務(wù)于一些“特殊用戶”的，比如自定義位置，就能讓客戶在國內(nèi)實(shí)現(xiàn)海外“云度假”，或者讓一些商家假裝自己是“海外代購”等。

脫離微信而言，利用聲音合成技術(shù)也已經(jīng)實(shí)現(xiàn)了語音復(fù)制。

去年，三名蒙特利爾大學(xué)博士聯(lián)合創(chuàng)辦的名為“琴鳥”(Lyrebird)的公司開發(fā)出了一種“語音合成”技術(shù)，只要對目標(biāo)人物的聲音進(jìn)行1分鐘的錄音，丟給“Lyrebird”處理，就能得到一個特別的密鑰，利用這個密鑰可以生成目標(biāo)人物任何想說的話。

“琴鳥”(Lyrebird)不僅能利用語音模仿演算模仿出任何人的聲音，還能在聲音中加入“感情”元素，讓聲音聽上去更為逼真。

去年Black Hat大會上也展示了一種聲音模擬技術(shù)，這項(xiàng)技術(shù)是通過獲取某人長時間的錄音，拼接其聲音片段實(shí)現(xiàn)模擬。阿曼先生表示，雖然很難預(yù)測使用AI的網(wǎng)絡(luò)攻擊是否會很快上升，但如果AI技術(shù)能夠讓黑客攻擊更成功或更有利可圖，他們會更傾向于使用該技術(shù)。

基于神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的AI變聲技術(shù)

不管是成功詐騙歐洲公司的黑客們利用的技術(shù)，還是加拿大的“琴鳥”(Lyrebird)，它們最終都能得到高還原度的合成聲音，在這背后依賴的技術(shù)正是神經(jīng)網(wǎng)絡(luò)(Neural Network)和機(jī)器學(xué)習(xí)(Machine Learning)。

神經(jīng)網(wǎng)絡(luò)通過模擬電信號在人腦神經(jīng)元之間的傳遞過程，對輸入數(shù)據(jù)進(jìn)行處理，同時利用分層的神經(jīng)元，從大量樣本數(shù)據(jù)中總結(jié)出共同特征。

第一個用神經(jīng)網(wǎng)絡(luò)生成人類自然語音的，就是Google的DeepMind研究實(shí)驗(yàn)室發(fā)布的WaveNet。

接下來就以WaveNet為例，簡單介紹一下AI是如何通過神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)來合成語音的。

論文鏈接：

https://arxiv.org/abs/1609.03499

WaveNet是基于PixelCNN的音頻生成模型，在這個生成模型中，每個音頻樣本都以先前的音頻樣本為條件。條件概率用一組卷積層來建模。這個網(wǎng)絡(luò)沒有池化層，模型的輸出與輸入具有相同的時間維數(shù)。

在模型架構(gòu)中使用臨時卷積可以確保模型不會違反數(shù)據(jù)建模的順序。在該模型中，每個預(yù)測語音樣本被反饋到網(wǎng)絡(luò)上用來幫助預(yù)測下一個語音樣本，由于臨時卷積沒有周期性連接，因此它們比RNN訓(xùn)練地更快。

使用臨時卷積的主要挑戰(zhàn)之一是需要很多層來增加感受野，為了解決這一難題，作者使用了加寬的卷積，加寬的卷積使只有幾層的網(wǎng)絡(luò)能有更大的感受野。模型使用了Softmax分布對各個音頻樣本的條件分布建模。

這個模型在多人情景的語音生成、文本到語音的轉(zhuǎn)換、音樂音頻建模等方面進(jìn)行了評估。測試中使用的是平均意見評分(MOS)，MOS可以評測聲音的質(zhì)量，本質(zhì)上就是一個人對聲音質(zhì)量的評價一樣。它有1到5之間的數(shù)字，其中5表示質(zhì)量最好。

相關(guān)檢測技術(shù)正在研究中

聯(lián)合國區(qū)域間犯罪與司法研究所人工智能與機(jī)器人中心主任Irakli Beridze表示，將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于欺騙性聲音使網(wǎng)絡(luò)犯罪變得更加容易。

聯(lián)合國中心正在研究檢測虛假視頻的技術(shù)，Beridze先生稱這對于黑客來說可能是一個更有用的工具。 “想象一下，以CEO的聲音進(jìn)行視頻通話，這是您熟悉的面部表情，這樣的話你根本不會有任何疑慮?！彼f。

推特上有網(wǎng)友對此也發(fā)表了看法，認(rèn)為可以利用AI技術(shù)破除AI難關(guān)，或許這會成為未來解決類似問題的主要辦法之一。

在百度上輸入“語音詐騙”、“識別”等關(guān)鍵詞，可以看到百度經(jīng)驗(yàn)的相關(guān)帖子，雖然這些“經(jīng)驗(yàn)”都已經(jīng)相當(dāng)古早，但能看出大家與這類詐騙的對抗已然是相當(dāng)持久。

不管怎樣，希望相關(guān)的識別技術(shù)能早日研究出來。

不知道大家有沒有遇到過類似的語音詐騙事件?當(dāng)真的遇到這類事件應(yīng)該如何應(yīng)對最好呢?歡迎大家留言討論。

相關(guān)報道：https://www.wsj.com/articles/fraudsters-use-ai-to-mimic-ceos-voice-in-unusual-cybercrime-case-11567157402