Anatomia do vishing com voz clonada por IA: golpes já causam perdas médias de US$ 600 mil por caso
Um relatório da Group-IB descreve o funcionamento passo a passo de golpes de vishing (phishing por voz) que usam clonagem de voz por IA para se passar por chefes, familiares ou funcionários de bancos. Ferramentas como Tacotron 2, VALL-E e ElevenLabs permitem replicar tom e sotaque a partir de amostras coletadas de redes sociais, webinars ou mensagens de voz, combinadas com spoofing de caller ID para aumentar a credibilidade. Instituições financeiras relatam perdas médias de US$ 600 mil por incidente, com menos de 5% dos valores recuperados.
O relatório destrincha o vishing com deepfake de voz em quatro etapas bem definidas, o que ajuda a entender por que o golpe tem se mostrado tão eficaz mesmo contra vítimas relativamente cautelosas. A primeira etapa é a coleta de amostras de áudio da pessoa que será clonada — um executivo, um familiar, um funcionário de banco — extraídas de vídeos em redes sociais, gravações de webinars, reuniões públicas ou até mensagens de voz comuns. Quanto mais material de voz disponível publicamente, mais convincente fica a clonagem.
Com as amostras em mãos, os golpistas usam ferramentas de síntese de voz como Google Tacotron 2, Microsoft VALL-E ou ElevenLabs para gerar fala sintética que replica tom, sotaque e cadência da pessoa-alvo, seja a partir de áudio pré-gerado, seja por conversão de voz em tempo real durante a própria ligação. Esse áudio sintético é combinado com spoofing de caller ID via plataformas de VoIP, fazendo a ligação aparentar vir de um número real de banco ou de um executivo conhecido — dois elementos técnicos que juntos derrubam praticamente todas as defesas intuitivas que uma pessoa usaria para desconfiar de uma ligação (“reconheço a voz” e “reconheço o número”).
A etapa final é pura manipulação psicológica: o golpista se passa por uma figura de autoridade — policial, executivo, funcionário de banco — e cria um senso de urgência que empurra a vítima a agir sem verificar antes. Os cenários mais comuns incluem fraudes fiscais ou de imigração se passando por órgãos governamentais, alertas falsos de transação suspeita ou bloqueio de conta se passando por bancos, pedidos urgentes de transferência a fornecedores se passando por executivos da própria empresa, e emergências médicas ou jurídicas inventadas se passando por familiares. O impacto financeiro é substancial: instituições relatam prejuízo médio de US$ 600 mil por incidente, com mais de 10% dos casos ultrapassando US$ 1 milhão, e menos de 5% do valor sendo recuperado depois do golpe consumado.
A defesa mais robusta, tanto para empresas quanto para famílias, é adotar verificação por um segundo canal independente antes de qualquer ação financeira sensível: se a ligação pede uma transferência ou dado sigiloso, desligar e retornar a ligação usando um número já conhecido (nunca um número passado durante a própria chamada), ou confirmar por SMS/e-mail em paralelo. Empresas devem exigir aprovação secundária para qualquer solicitação financeira recebida por telefone, por mais urgente que pareça, e treinar equipes para reconhecer o roteiro clássico de urgência + autoridade. Famílias podem combinar previamente uma palavra-código para emergências reais, já que nenhuma ferramenta de clonagem de voz consegue adivinhar uma combinação nunca dita em público.