Pesquisa mede quanto do spam telefônico nos EUA já usa vozes sintéticas de IA
Um estudo acadêmico monta um honeypot telefônico com personas de IA atendendo números reais dos EUA e mede, com metodologia auditável, quanta ligação indesejada é feita por máquina e quanta usa voz sintetizada. O achado central é que ao menos um quarto das ligações não solicitadas já é gerada por máquina, mas quase nenhuma se declara como tal — e os detectores comerciais de voz sintética ainda erram de forma significativa.
Os pesquisadores construíram um honeypot telefônico interativo: personas baseadas em modelos de linguagem atendiam chamadas em números reais dos EUA e registravam cada ligação recebida em sua própria trilha de áudio, somando quase 11 mil chamadas ao longo de 66 dias. Para classificar cada abertura de chamada, usaram três instrumentos complementares — um fingerprint de áudio que identifica gravações repetidas entre campanhas diferentes, um detector comercial de voz sintética aplicado aos primeiros dez segundos da ligação, e ouvintes humanos cegos para validar os sinalizamentos automáticos.
O resultado mostra que pelo menos 26,9% das chamadas recebidas são de origem mecânica: 13,1% com áudio novo classificado como sintético e 13,8% como reprodução de uma gravação já ouvida em outra ligação — ou seja, campanhas de voz reaproveitam o mesmo material em múltiplos disparos, funcionando como uma "assinatura" reconhecível. Apesar disso, apenas 0,44% das chamadas revelam abertamente que são automatizadas, o que indica um esforço deliberado de disfarçar a origem mecânica da ligação como se fosse humana — um componente central para o sucesso de golpes por voz (vishing).
Um achado relevante para times antifraude é que a voz sintética se concentra mais em spam de geração de leads (33,8% das aberturas) do que em fraude propriamente dita (21,1%), sugerindo que operações de fraude ainda preferem, nesta amostra, variar menos o script e reaproveitar gravações, enquanto operações de geração de leads investem mais em síntese personalizada. O estudo também mostra a persistência das campanhas: uma única gravação de "aviso de conformidade" apareceu em seis campanhas distintas, e uma mesma voz sintética foi reaproveitada em nove campanhas — evidência de que o material de voz sobrevive à troca do número de telefone de origem.
O ponto mais importante para quem constrói detecção antifraude é a fragilidade das ferramentas atuais: a mesma gravação, testada duas vezes, caiu em lados opostos do limiar de detecção do classificador comercial em 13,6% dos casos, e apenas 54,4% dos sinalizamentos do detector foram confirmados por ouvintes humanos. Isso reforça que depender de um único classificador de voz sintética para bloquear ou liberar tráfego telefônico gera tanto falsos positivos quanto negativos relevantes, e que abordagens híbridas — combinando fingerprint de áudio, análise comportamental da campanha (reuso de número, horário, script) e revisão humana amostral — seguem sendo necessárias para detectar vishing de forma confiável.