接电话先沉默三秒，能防诈骗吗

10月11日，国家安全部在其官方社交媒体上发布提示：接到陌生来电时，不宜立刻出声，建议先静默三秒再作回应。

犯罪分子在接通电话后，往往会故意不出声，诱导接听者说出“喂”或“请问找谁”等话语。这几秒的语音片段，足以被用于AI声纹克隆技术，进而冒充他人身份实施诈骗。因此，正确的做法是等待对方先开口，如果对方也保持沉默，则应果断挂断。

国家安全部的具体建议是：让来电者首先说明意图，若对方持续沉默，应立即挂断电话。

声音之所以成为被窃取的目标，是因为人工智能目前能够利用一个人的声音，生成其从未说过的全新语句。

这些语音素材也可能源自已经公开的音频或视频。人们在网络上说过的话、录制的视频，都有可能被收集，用于身份冒用。

在已曝光的案例中，犯罪分子常将合成语音、换脸技术与真实影像片段拼接。一个虚构的人物因此拥有了声音、面容以及符合其身份的生活场景，甚至能出现在公司视频会议中。

AI合成声音的欺骗性

2025年4月，湖北黄石的丁阿姨接到一通电话。对方冒充她的孙子，声称在学校打架需要赔偿金，并会派人上门取款。

丁阿姨随即取出2万元。取钱的人上门后，又通过电话联系所谓的“孙子”，让丁阿姨再次确认。直到当晚真正的孙子回家，骗局才被揭穿。

在这起案件中，AI伪造了孙子的声音。丁阿姨虽曾确认过一次，但第二通电话仍连接到了骗子，那熟悉的嗓音再次为取钱的人做了担保。

2026年6月，波兰弗罗茨瓦夫理工大学的研究人员将9位说话者的真实录音与AI克隆语音，分别通过传统手机通话、高清通话和网络语音三种方式模拟传输，让95名参与者进行辨别，共收集了1710次判断。

结果显示，总体正确率仅为54.8%。其中，传统手机通话的识别正确率为63.7%，而高清通话的正确率反而降至44%。

高清通话本应让声音更清晰，但在此次实验中，听众却更难分辨真伪。

当电话中传来紧急求助、视频会议中出现付款指令，且骗子不断催促时，人们的注意力很容易集中在“如何处理这件事”上，留给辨别声音的时间就更加有限。

山东莱西的一起假军官案中，AI将身份伪造得更为完整。

骗子向受害者展示身穿军装的训练视频，并通过视频通话展示军营环境。这些军营场景来自公开素材的剪辑，AI替换了真实军人影像中的面孔，语音合成软件则生成声音。这些材料被用于情感诈骗和诱导投资。

香港的一起公司诈骗案，甚至虚构了一场视频会议。

根据香港政府2024年6月的答复，警方认为，骗子利用公开的影片和声音，通过深度伪造技术制作了预录会议，冒充公司高管。受害人与视频中的人物没有实际对话，会议结束后，骗子通过即时通讯软件继续指示付款。据当时披露，损失约2亿港元。

骗子将熟悉的管理人员放入同一场会议，使付款要求看起来像是经过了集体确认。

声音9元起，人脸视频可批量供应

新华社2026年4月的调查发现，二手交易平台上存在声音克隆软件、教程及代制作服务。客户提供原始音频和待合成的文字，最快15分钟即可获得成品，一般需要半小时到一小时。

部分店铺按200字9元或每分钟10元收费，有些还免费帮忙寻找音源。如果电脑性能不足，商家也提供云平台租赁方案。

过去，定制一个人的声音需要专门采集录音并训练模型。如今，一些语音模型已从大量数据中学会了语言和发音规律，使用时只需提供一段参考录音，就能模仿新的说话者。这项技术被称为“零样本声音克隆”，意为无需为特定人单独重新训练模型。

究竟需要收集多长时间的录音？阿里云的声音复刻文档给出的样本要求是10到20秒。开源项目GPT-SoVITS则将5秒的声音样本列为零样本合成的输入，另有使用1分钟录音微调以提高声音相似度的方案。一段几十秒的视频中，可能已包含足够的参考声音。

研究团队公开的F5-TTS项目，将输入环节划分得很清晰：参考录音、录音对应的文字，以及需要生成的新文本。录音文字还可由语音识别自动补充。

模型通过比对照录音和文字，获取说话者的声音特征，再根据新文本生成声学表示。这可以理解为声音的数字描述，随后由声码器还原为可播放的音频。

普通电脑能否运行？GPT-SoVITS官方列出的测试环境包括CPU、苹果芯片和英伟达显卡，并提供Windows整合包。其公布的一组v2 ProPlus推理测试，使用了RTX 4060 Ti、RTX 4090和苹果M4 CPU。

速度如何？GPT-SoVITS项目给出的“实时因子”（生成耗时除以音频时长）显示，4060 Ti为0.028，M4 CPU为0.526。按此比例折算，生成一分钟声音分别约需1.7秒和32秒。

软件安装也有现成方案。阿里团队的CosyVoice、研究团队的F5-TTS都已公开模型和网页界面。一个人配置好依赖和模型后，其他人即可在界面中提交素材。CosyVoice还支持流式输出，文字不断输入，声音也可分段生成。

如果选择云端方案，计算任务由服务商承担，电脑只需负责提交录音和文字。费用分为两部分：创建音色，以及使用该音色合成新语音。

截至2026年10月12日，阿里云文档显示，CosyVoice系列创建音色免费。北京地域的CosyVoice-v2语音合成原价为每万字符2元；按200个计费字符算，一段语音的合成费为0.04元。千问系列创建复刻音色则单独收取0.01元，后续合成按对应模型收费。

新华社调查中提到的200字9元，是商家的代制作报价；而0.04元，则是上述云模型的文本合成费。商家还会处理素材、调试和交付。

本地部署则是另一种账：模型在自己的机器上运行，无需按每段语音向云服务付费，但显卡、内存、电费和配置时间仍需自行承担。公开的模型和整合界面降低了开发门槛，黑产也能找人完成部署，再将生成能力出售给下游。

快手团队公开的LivePortrait，是一项人像动画技术。它使用人像照片作为外貌参考，再从驱动视频中提取表情、头部姿态等运动信息，让照片中的人物随之活动。

项目提供模型权重、网页操作界面，并发布过Windows整合包。

在青岛胶州警方查处的案件中，犯罪团伙将非法获取的静态照片，加工成能摇头、眨眼的AI动态人脸视频，用于虚假实名认证。据央视今年3月报道，警方查获了5万余条此类视频文件。

办案报道还披露，警方查扣了60台云服务器。该团伙利用合成视频注册具有支付功能、直播权限等账号，再以150元至300元的价格出售，通过售卖账号获利60余万元。

到了下游，购买者拿到的是已可使用的账号，这些账号可用于诈骗、刷单和发布违法信息。

连“请确认是你本人”也成了生意

视频中的熟人让你相信“他就是那个人”，而人脸验证则替平台确认“操作者就是账号本人”。AI造假已盯上这两道防线。

南京的朱先生曾收到一条扣款验证码短信，当时以为是诈骗信息，未加理会。

四天后，他打开手机银行，发现银行卡被某电商平台分两笔扣走15996元。联系客服后得知，这笔钱购买了两部苹果手机，已在深圳收货。

警方调查发现，符某非法获取了195万余条个人信息，再利用AI换脸软件生成视频，通过人脸识别登录23名被害人的账户，修改其中5人的支付密码和绑定手机号，冒用一人的账户绑定银行卡购买手机。2024年10月18日，法院判处符某有期徒刑四年六个月。

符某使用非法获取的身份证照片，制作出能摇头、张嘴的动态人脸视频。照片中的人并未参与，但合成影像却替他完成了身份确认。

人脸验证需要回答两个问题：这张脸是否像账号本人，以及镜头前是否是活人。要求转头、张嘴，正是为了检查后者。生成式AI可以将这些动作合成出来。

案件中的符某尝试过多个平台，最终在一家存在漏洞的平台得逞。检察机关随后向相关支付公司发出风险提示函，督促消除认证隐患。

武汉一家公司的公众号，也曾遭遇身份被接管的情况。

2025年6月10日，公司工作人员发现，公众号突然发文宣布即将停更，并号召粉丝关注另一个投资理财账号。工作人员尝试登录后台，才发现密码已被修改，连公司法定代表人信息也被篡改。

警方查明，犯罪链条中有人专门提供AI“人脸代过”服务，制作动态人脸帮助他人冒名通过验证，单次收费最高1000元，非法获利40余万元。

一个陌生电话打来，你先静默三秒。电话那头可能正等着收集你的声音，而这背后连着克隆软件、代制作服务，再往后，是冒充熟人、骗取钱财的骗局。

“三秒提醒”虽有必要，但仔细想来，仍令人感到无奈。

接电话先说声“喂”，本是再正常不过的习惯。如今连开口都得提防，生怕自己的声音被拿去做成另一个“我”。技术日益便利，普通人却需愈发谨慎。

更令人不安的是，一旦出事，那声“喂”又可能成为责怪受害者的理由：谁让你先开口的？这或许是一种另类的“受害者有罪论”吧。

本文来自微信公众号“硬核看板”（ID：yinghekb），作者：李沣，36氪经授权发布。