Siber Güvenlik

Ses Klonlama Nedir? Yapay Zeka Ses Taklidiyle Dolandırıcılık

Ses klonlama nedir, yapay zeka ses taklidi kaç saniyelik kayıtla yapılır? Kendi sesimin klonu, telefon bandında dinleme ve şirketi koruyan doğrulama kuralları.

İlker Pehlivan

Ses klonlama, yapay zekanın bir kişinin kısa bir ses kaydından o kişinin sesini öğrenmesi ve hiç söylemediği cümleleri o sesle söylemesidir. Dolandırıcılıkta bu ses telefonda bir yöneticinin, bir tedarikçinin ya da bir yakının ağzından para ister.

Şirket için kısa cevap şudur: telefondaki tanıdık sesin gerçekten o kişiye ait olup olmadığı kulakla güvenilir biçimde anlaşılamaz. Doğrulama bu yüzden talimatı verene kendi bildiğiniz bir numaradan ulaşılarak yapılır.

Mahallenin bakkalını düşünün. Ayşe Hanım yıllardır ondan alışveriş yapar ve çoğu zaman dükkana gelmez, telefon eder: “Ben Ayşe, iki ekmekle bir peynir ayır, akşam oğlum alır, deftere yaz.” Bakkal sesi ilk kelimede tanır, siparişi paketler ve veresiye defterine yazar. Kimlik sormaz, çünkü sesi tanımak yıllarca yetti.

Bir akşam dükkan telefonu yine çalar. Hat cızırtılıdır, ama ses Ayşe Hanım’ın sesidir: “Yeğenim uğrayacak, ona iki teneke zeytinyağı ver, deftere yaz.” Sipariş alışılmadık büyüklüktedir, yeğeni de bakkal daha önce hiç görmemiştir. Bakkal tenekeleri ayırır, ama vermeden önce Ayşe Hanım’ı veresiye defterinin kenarında yazılı ev numarasından arar. Ayşe Hanım açar ve kimseyi göndermediğini söyler. Arayan o değildir.

Ses klonlama, bakkalın yıllarca duyarak kurduğu bu tanımayı birkaç saniyelik bir kayıtla taklit edilebilir hale getirdi.

Ses klonlama benzetmesi: akşamüstü eski bir mahalle bakkalının içi, solda yarı açık ahşap kapının aralığından taş döşeli sokak ve lacivert alacakaranlık, ortada çuval, kavanoz, peynir tekerleri ve ekmek sepetiyle dolu raflar, tavandan sarkan lambanın altındaki uzun tezgahta yan yana ayrılmış iki zeytinyağı tenekesi ve kurdeleli, kapalı yeşil veresiye defteri, sağda duvardaki eski telefonun ahizesini bir kulağına tutup öbür kulağını avucuyla kapatmış, gözleri yarı kapalı dinleyen önlüklü bakkal
Bakkal tanıdık sesi dikkatle dinler, tenekeler tezgahta ayrılmış bekler, numarayı taşıyan veresiye defteri henüz kapalıdır. Şirkette de telefondaki tanıdık sesi dinlemek yetmez. Talimat, kayıtlı numaradan geri aranarak doğrulanır.

Bu yazı Deepfake serisinin bir parçasıdır. Deepfake’in ne olduğunu ve şirkete hangi yollardan geldiğini deepfake nedir yazımızda anlattık. Burada ses klonunun nasıl çalıştığını, kaç saniyelik kayıtla yapıldığını ve Türkçede nerede ele verdiğini kendi sesimle yaptığım ölçümle anlatıyoruz. Sesimin klonuyla kurduğum sahte bir ödeme talimatını da dinleyebilirsiniz.

Yazı siber güvenlik hizmetimizin insan katmanına aittir. Telefonla gelen kandırmayı çalışanlara nasıl tanıttığımızı Siber Güvenlik Farkındalık Eğitimi sayfamızda anlattık.

Ses Klonlama Nasıl Çalışır? Metinden Sese ve Sesten Sese

Ses klonlama iki yoldan yapılır: metinden sese ve sesten sese. İki yolda da işin başında bir model ve bir referans kaydı durur.

Model, çok sayıda insanın konuşmasından sesin nasıl oluştuğunu öğrenmiş bir yapay zeka programıdır. Referans kaydı ise taklit edilecek kişinin kısa bir ses örneğidir. Model bu örnekten kişinin tınısını, yani sesini başkalarınınkinden ayıran rengi ve konuşma biçimini çıkarır. Sonra yeni bir cümleyi o tınıyla üretir.

İki yol, cümleyi kimin kurduğuna göre ayrılır:

  1. Metinden sese (text-to-speech): dolandırıcı söyletmek istediği cümleyi yazar, model cümleyi taklit edilen sesle okur. Sesli mesaj ve önceden hazırlanmış kayıt çoğunlukla bu yoldan gelir.
  2. Sesten sese (voice conversion): dolandırıcı kendisi konuşur, model onun sesini hedef kişinin sesine çevirir. Cümleyi, vurguyu ve duraklamayı dolandırıcı belirler, model yalnız tınıyı değiştirir.

İkinci yol, dönüştürme yeterince hızlıysa canlı bir telefon görüşmesini de mümkün kılar. Dolandırıcı soruya cevap verir, itiraza karşılık verir ve konuşma kendi akışında ilerler. Metinden sese yolunda da canlı görüşme denenebilir. Bu durumda her cevabın yazılıp üretilmesi gerekir ve cevaplar gecikmeli gelir.

Ses Klonlama İçin Kaç Saniyelik Kayıt Yeter?

Birkaç saniyelik bir kayıt yeter. Hem bir araştırma ekibinin sonucu hem benim ölçümüm aynı yeri gösteriyor, ama iki sonuç farklı koşullarda alındı.

2023’te yayımlanan VALL-E çalışması, modelin daha önce hiç duymadığı bir konuşmacının sesini 3 saniyelik bir kayıtla taklit ettiğini bildiriyor. 3 saniye, araştırma ekibinin kendi modeli için verdiği sonuçtur ve model 60 bin saatlik İngilizce konuşmayla eğitildi.

Benim ölçümüm Türkçe ve sıradan bir bilgisayarda. İlk denemeyi eğitim videolarımın seslendirmesi için yaptım. Kendi sesimi VoiceStudio uygulamasının kullandığı OmniVoice modeliyle klonladım. Modele verdiğim kayıt 6 saniyeydi. Üretim ekran kartı devreye girmeden, yalnız işlemciyle yapıldı. Sonucu dinlediğimde “çok iyi seslendirme” dedim. Ölçtüğüm şey seslendirme kalitesiydi, klonun beni tanıyan birini telefonda kandırıp kandıramayacağı ayrı bir sorudur.

Bu yazı için aynı işi üç yoldan tekrarladım: OmniVoice, OmniVoice’un ürettiği sesi OpenVoice ses dönüştürücüsüyle benim tınıma çeviren bir zincir ve Chatterbox Multilingual. Üçüne de aynı kaydımın yaklaşık 12 saniyelik bir bölümünü referans olarak verdim, üçü de yalnız işlemciyle çalıştı. Sayfadaki kayıtlar Chatterbox Multilingual’ın çıktısıdır, çünkü bu modelin lisansı ticari bir sitede yayımlamaya izin veriyor. OmniVoice’un model lisansı ticari kullanımı kapatıyor, OpenVoice zinciri de OmniVoice’un sesine dayanıyor.

Bu kayıtları kendi bilgisayarımda çalışan, ücretsiz ve yerel yapay zeka modelleri üretti. Bir dolandırıcı aynı işi daha yüksek kaliteli ücretli yazılımlarla yapıp kalite eşiğini daha da yükseltebilir. Bu yazıdaki ölçümü bu yüzden ulaşılabilecek kalitenin alt sınırı olarak okuyun.

Örnekteki bakkal Ayşe Hanım’ın sesini yıllar boyunca binlerce kez duyarak öğrendi. Model aynı tanımayı 6 saniyede kuruyor.

Yöneticinizin sesinden 6 saniye bulmak zor değildir. Bir röportaj, bir webinar kaydı, bir konferans konuşması ya da şirkete bırakılmış bir sesli mesaj bunu fazlasıyla taşır. FBI’ın Aralık 2024 tarihli üretken yapay zeka uyarısı da dolandırıcıların bir yakının sesini taşıyan kısa ses parçaları ürettiğini ve kriz bahanesiyle acil para istediğini yazıyor.

Ses Klonu Türkçede Nerede Ele Verir?

Türkçe konuşan klon belirli seslerde ve belirli yerlerde ele verir, ama bu kusurlar modele ve cümleye göre değişir. Denediğim modellerde şunları gözledim. Bir kısmını kulakla duydum, bir kısmını konuşma tanıma yazılımının dökümünde ya da ses ölçümünde gördüm:

KusurHangi modeldeNe gözlendi
Türkçe “c” sesiOmniVoice“kullanıcı” sözcüğündeki “c” okunmadı, sözcük bozuk çıktı
Cümle başıOmniVoiceCümle “Bugün” ile başlayınca sözcük bozuldu, aynı sözcük cümle ortasında temiz çıktı
Cümle başındaki “Şu”OmniVoice ve OpenVoice zinciriKonuşma tanıma yazılımı “Şu an bir toplantıdayım” cümlesini “Yüce An bir doplantıdayım” diye yazdı, Chatterbox Multilingual aynı cümleyi doğru okudu
Türkçe cümledeki İngilizce terimChatterbox Multilingual“firewall” 13 denemenin 7’sinde anlaşılır çıktı, kalanlarda “firiwol” gibi okundu
Türkçe harfi olmayan yazımChatterbox MultilingualAdım “Ilker” diye noktasız yazılınca Amerikan aksanıyla okundu
Metinde olmayan sesChatterbox MultilingualDenemelerin çoğunda cümle bittikten sonra metinde karşılığı olmayan gürültülü bir kuyruk geldi, birinde 2 saniyeyi aştı
Sözcük içinde çatırtıChatterbox Multilingual“gönderince”, “atıyorum”, “toplantıdayım” ve “çıkmamız” sözcüklerinde ani yüksek frekans sıçramaları ölçüldü
Konuşma hızı ve tık sesiChatterbox MultilingualEğitim seslendirmesinde klon dakikada 117 kelime konuştu, cümle başında ve sonunda tık sesi duyuldu
TutarlılıkOmniVoice ve Chatterbox MultilingualAynı metin her denemede biraz farklı çıktı

Liste bir sahte ses dedektörü yerine geçmez. Üç sebebi var:

  1. Kusur modele göre değişir. OmniVoice’un takıldığı yer ile Chatterbox Multilingual’ın takıldığı yer ayrıydı. Aynı cümlede OmniVoice “Şu an” sözünü bozdu, Chatterbox Multilingual doğru okudu. Dolandırıcının hangi modeli kullandığını ve o modelin nerede takıldığını bilemezsiniz.
  2. Cümleyi dolandırıcı seçer. Metinden sese yolunda dolandırıcı cümleyi kendisi yazar, kusurlu çıkan sözcüğü değiştirir ve aynı cümleyi birkaç kez üretip en iyisini seçer. Aynı metnin her denemede farklı çıkması, seçecek aday çoğalttığı için onun işine yarar. Aşağıdaki dolandırıcı kaydını ben de böyle kurdum ve her cümlenin birkaç denemesinden en temizini seçtim.
  3. Sesten sese yolunda okunuşu dolandırıcı taşır. Bu yolda cümleyi dolandırıcının kendi ağzı söyler, yani yazılı metinden doğan okunuş hatası bu yolda aynı biçimde doğmaz. Sesten sese yolunu denemedim, bu madde ölçüm değil mekanizmadan çıkarımdır.

Dördüncü sebep telefon hattının kendisidir. Kusurlar duyulsa bile telefonda duyulur, telefon hattı da sesi olduğu gibi taşımaz.

Yapay Zeka Ses Taklidi Telefonda Anlaşılır mı? Ham Kayıt ve Klon

Telefon hattı, gerçek ses ile klon arasındaki farkı silmez. Bir ipucunu keser, kalan farkı biraz daraltır ve üstüne kendi bozmasını ekler. Bu üç etkiyi kendi gerçek sesim ve klonum üzerinde, telefon bandı benzetimiyle ölçtüm.

Önce telefon bandı kavramı. ABD Kongre Kütüphanesi’nin (Library of Congress) AMR-WB kodek kaydına göre geleneksel telefon kalitesi 300 ile 3.400 Hz arasındaki frekansları taşır ve dar bantlı ses saniyede 8.000 örnekle sayısallaştırılır. Kodek, sesi hatta taşınacak biçime sıkıştıran yazılımdır. Aynı kayda göre geniş bantlı mobil konuşma kodeği AMR-WB ise 50 ile 7.000 Hz arasını taşır.

Yani dar bantlı bir hat, sesi tanınır kılan yüksek frekansların bir bölümünü hiç iletmez. Telefonda bir sesin daha ince ve daha boğuk gelmesinin sebebi budur.

Aşağıdaki üç kaydı bu ayrımla dinleyin. Birincisi gerçek sesim, ikincisi aynı cümlenin klonu, üçüncüsü klonun dar bantlı telefon hattına benzetilmiş halidir:

1. Ham kayıt, gerçek sesim (6 saniye): "Birazdan sentetik olarak bu ses nasıl üretiliyor ve orijinaline kadar yakın onu göreceksiniz."
2. Klon, Chatterbox Multilingual modelinin benim sesimle okuduğu aynı cümle (5 saniye). Model bu cümleyi benden duymadı: referans olarak aynı kaydın bu cümleden önceki 12 saniyesini aldı.
3. Aynı klonun telefon bandı benzetimi (5 saniye). Gerçek bir arama kaydı değildir: klon 300 ile 3.400 Hz arasına süzüldü ve geleneksel telefon kodeğiyle kodlanıp geri çözüldü. Metin 1. ve 2. kayıtla aynıdır.

Üç kayıt aynı cümleyi söylüyor, karşılaştırmayı cümlenin tamamında yapabilirsiniz. Klon gerçek sesimden biraz hızlı konuşuyor: gerçek sesim dakikada 127, klon 148 kelime.

Aynı ölçümü üç modelde de yaptım ve üçünde de yön aynı çıktı. Aşağıdaki sayılar sayfadaki Chatterbox Multilingual klonunundur:

  1. Klon, 3.400 Hz’in üstünde gerçek sesimden daha sönük. Bu bölgede gerçek sesim klondan yaklaşık 2,4 dB (desibel, ses düzeyinin birimi) daha fazla enerji taşıyor. Diğer iki modelin klonu da gerçek sesimden sönük çıktı. Telefon bandı bu bölgeyi tamamen kestiği için bu fark dar bantlı aramada kayboluyor.
  2. 300 ile 3.400 Hz arasındaki fark telefonda küçülmüyor. Sesin rengini taşıyan bu aralıkta klon ile gerçek sesimin ortalama spektrumu arasındaki fark tam bantta 3,5 dB, telefon bandı benzetiminde 3,8 dB ölçüldü. Hat bu farkı silmiyor, kendi bozmasıyla biraz büyütüyor.
  3. Sözcük sözcük hizalanmış fark biraz küçülüyor. İki kaydı aynı sözcükler üst üste gelecek biçimde hizalayıp ölçtüğüm fark, telefon bandında yaklaşık sekizde bir azaldı. Telefon zinciri tek bir kaydı da kendi başına değiştiriyor ve bu değişim, kalan farkın yarısından biraz fazlası kadar. Telefondaki dinleyici duyduğu tuhaflığın bir kısmını bu yüzden hatta verebilir.

Sonuç şudur: telefon hattı klonu ele veren yüksek frekans ipucunu tamamen kesiyor, kalan farkı ise silmiyor. Kalan farkın üstüne hattın kendi bozması biniyor ve bu bozma farkın yarısından biraz fazlası kadar. Bu durum kulakla ayırt etmeyi zorlaştırır, imkansız kılmaz. Karar bu yüzden sesin kulağa nasıl geldiğine bırakılmaz.

Bu ölçümün sınırları da yazıldığı kadar önemli:

  • Benzetimdir, gerçek arama değildir. Gerçek bir hattaki gecikme, paket kaybı ve kodek değişimi benzetimde yok. Geniş bantlı bir aramada 3.400 Hz’in üstü kısmen yerinde kalır.
  • Her model için tek deneme, tek cümle. Ölçüm 13 sözcüklük tek bir cümleye dayanıyor. Sonuç tek bir gözlemdir ve istatistiksel bir güveni yoktur.
  • Başka bir kayıtla tablo değişti. Daha önce farklı bir kaydımla ve farklı referans uzunluklarıyla yaptığım turda OmniVoice klonu yüksek frekansta gerçek sesimden parlak çıktı ve telefon bandı farkı neredeyse hiç küçültmedi. Aynı turda Chatterbox Multilingual klonunda fark biraz azaldı. Yüksek frekanstaki ipucu bu yüzden tam bantta da tek bir yöne güvenilir biçimde gitmiyor.
  • Kulakla dinleme testi yapmadım. Ölçtüğüm şey iki kaydın frekans dağılımı arasındaki mesafe. Dar bantta kaç kişinin klonu ayırt edebildiğini ölçmedim.

Örnekteki bakkalın duyduğu cızırtı da aynı işi yapıyor. Ayşe Hanım’ın sesindeki küçük bir tuhaflığı bakkal hattın cızırtısına verir ve siparişi yine onun sesi sayar.

Ses Klonu Sesli Mesajda mı, Canlı Aramada mı Daha Tehlikeli?

Sesli mesaj ve WhatsApp ses notu, ses klonunun en kolay ve en tehlikeli biçimidir. Dolandırıcı kaydı istediği kadar üretip en iyisini gönderir. Siz de kayda soru soramazsınız.

Bir CEO dolandırıcısının finans çalışanına bırakacağı sesli mesaj aşağıdakine benzer. Metni bir dolandırıcının kuracağı biçimde ben yazdım ve klonuma okuttum:

4. Sahte ödeme talimatı, benim sesimin klonuyla (21 saniye). Bu kaydı ben söylemedim ve gerçek bir talimat değildir. Metni bir dolandırıcının kuracağı biçimde yazdım, ad ve tutar uydurmadır: "Selin Hanım merhaba, ben İlker. Şu an bir toplantıdayım, uzun konuşamıyorum. Öğlene kadar bir ödeme çıkmamız lazım, 250.000 lira. Konu gizli, kimseyle konuşmayın. Onay kısmını sonra ben hallederim. Hesap bilgisini birazdan mesajla atıyorum. Beni aramayın, gönderince mesajla haber verin."

Bu kaydı ücretsiz bir programla, sıradan bir bilgisayarda yaptım. Dinlerken robotik bir ton ve Türkçe okunuş hataları duyacaksınız. Benim kanaatime göre ücretli programlar ticari sebeplerle Türkçede ve insan sesine benzemekte bundan daha ileride. Kaydı o robotiklik ve o Türkçe hatalar olmadan hayal edin. Ücretli bir programla hazırlanmış sahte mesaj büyük olasılıkla ona daha yakın olur.

Kaydı tek bir modelle, cümle cümle kurdum. Yedi cümlenin her birini birkaç kez ürettim ve en temiz denemeyi seçtim. Modelin cümle sonuna eklediği, metinde olmayan sesleri kestim, cümlelerin arasına kısa duraklar koydum ve ses seviyesini eşitledim. Perdeyi ve hızı değiştirmedim, gürültü ya da yankı eklemedim. Duyduğunuz ton ve okunuş bu yüzden modelin kendi çıktısıdır.

Chatterbox Multilingual’ın resmi deposu, modelin ürettiği her ses dosyasına modeli geliştiren Resemble AI şirketinin Perth adlı, kulağın duymadığı bir filigranını eklediğini yazıyor. Bu filigranı yalnız onu arayan bir yazılım bulur, sesli mesajı dinleyen çalışan duymaz.

Mesaj 21 saniye sürüyor ve yedi işaret taşıyor:

  1. Otorite ve tanıdık ses: “ben İlker”. Talimat, tanınan bir yöneticinin adını ve sesini taşıyor.
  2. Erişilemezlik bahanesi: “Şu an bir toplantıdayım, uzun konuşamıyorum.” Soru sorulmasını baştan kapatıyor.
  3. Aciliyet: “Öğlene kadar”. Düşünme ve doğrulama süresini kısaltıyor.
  4. Gizlilik: “Konu gizli, kimseyle konuşmayın.” Çalışanın ikinci bir kişiye danışmasını engelliyor.
  5. Onay zincirini atlatma: “Onay kısmını sonra ben hallederim.” Çift onayı sonraya erteliyor.
  6. Kanal değiştirme: “Hesap bilgisini birazdan mesajla atıyorum.” Hesap bilgisi şirketin kayıtlı bilgisinden değil, doğrulanmamış bir mesajdan geliyor.
  7. Geri aramayı engelleme: “Beni aramayın, gönderince mesajla haber verin.” Savunmanın en sağlam adımını açıkça yasaklıyor.

Bu işaretlerin hiçbiri sesin gerçek olup olmadığına bakmaz, hepsi talimatın kendisinde durur. Geri arama 2. ve 7. işareti, çift onay 4. ve 5. işareti, kayıtlı hesap bilgisi 6. işareti boşa çıkarır. Bu kuralların şirketteki karşılığını aşağıdaki savunma bölümünde yazdık. “Kimseye söyleme” diyen talimatın neden alarm sayıldığını ödeme talimatı doğrulama yazımızda anlattık.

Hız ölçümüm sesli mesajın neden kolay olduğunu gösteriyor. Yalnız işlemciyle çalışan Chatterbox Multilingual, 21 saniyelik dolandırıcı konuşmasının tamamını tek seferde birkaç dakikada üretti, yani sesin kendi uzunluğunun on katı kadar sürede. Bu hızla canlı bir konuşmaya yetişilemez, ama sesli mesaj için güçlü bir bilgisayar bile gerekmez.

FBI’ın Mayıs 2025 tarihli uyarısı bu biçimin kullanıldığı bir kampanyayı anlatıyor. Nisan 2025’ten beri üst düzey ABD yetkililerini taklit eden kişiler kısa mesaj ve sesli mesaj gönderiyor, sesli mesajlarda yapay zekayla üretilmiş ses kullanılabiliyor. Uyarı, yapay zekayla üretilen içeriğin artık çoğu zaman ayırt edilmesi zor bir düzeye geldiğini de yazıyor.

Canlı aramada dolandırıcının işi daha zordur. Sesten sese dönüştürme ya da yazılıp okutulan cevap konuşmaya gecikme sokabilir. FBI’ın Aralık 2024 uyarısı da bakılacak ipuçları arasında gecikmeyi, ses tonunu ve kelime seçimini sayıyor. Canlı aramada karşınızdakine yalnız gerçek kişinin bilebileceği bir şeyi de sorabilirsiniz.

Bu ipuçları canlı aramayı güvenli yapmaz. Gecikmeyi “hat kötü” diye açıklamak kolaydır ve sorunun cevabı yöneticinin sosyal medyasında bulunabilir. Canlı görüşmenin görüntülü halini, kamerası açık sahte yönetici ve sahte adayla birlikte görüntülü görüşmede deepfake yazımızda anlattık.

Arayan Numara Tanıdıksa Ses Gerçek mi?

Değildir, numara da taklit edilebilir. ABD’nin tüketici koruma kurumu Federal Ticaret Komisyonu FTC, telefon dolandırıcılığı sayfasında dolandırıcıların arayan numara ekranında istedikleri adı ve numarayı gösterebildiğini yazıyor ve buna spoofing (numara gösterimi taklidi) diyor.

Tanıdık numara ile tanıdık ses bir araya geldiğinde bile ikisi de karşı tarafın elindedir. Geri arama bu yüzden numarayı ekrandan almaz, şirketin talimattan önce sahip olduğu kayıttan alır. Hangi numaranın geri aramaya sayıldığını ödeme talimatı doğrulama yazımızın geri arama bölümünde anlattık.

Ses Klonlamaya Karşı Şirkette Ne Yapılır?

Ses klonlamaya karşı şirketi koruyan, sesle gelen talimatı başka bir kanaldan doğrulayan yazılı kuraldır. Kural sesin ne kadar iyi taklit edildiğine bakmaz, bu yüzden klon iyileştikçe zayıflamaz.

Örnekteki bakkal da Ayşe Hanım’ın sesini sınamaya çalışmadı. Siparişin alışılmadık olduğunu gördü ve kendi defterindeki numarayı aradı. Şirketteki karşılığı şu kurallardır:

  • Geri arama: ödeme, banka bilgisi değişikliği, parola ya da erişim isteyen her arama, talimatı verene şirket rehberindeki numarasından ulaşılarak doğrulanır. Geri arama süren görüşmenin içinde yapılmaz, telefon kapandıktan sonra yeni bir aramayla yapılır.
  • Sesli mesajla iş yapılmaz: sesli mesaj ve ses notu tek başına talimat sayılmaz. Mesajı bırakan kişi rehberdeki numarasından geri aranır.
  • Kod kelime: geri arama yapılamıyorsa önceden belirlenmiş bir sözcük sorulur. Klon kişinin tınısını kopyalar, ama kişinin bildiği ve hiçbir yerde yazmayan bir sözcüğü söyleyemez. Kelimenin kimde durduğunu ve ne zaman değiştiğini kod kelime bölümünde yazdık.
  • Helpdesk de aynı kurala girer: çalışan sesiyle arayıp parola ya da çok faktörlü doğrulama sıfırlatmak isteyen kişi de rehberdeki numarasından geri aranır. Bu çağrının nasıl doğrulanacağını helpdesk yazımızda anlattık.

Yöneticinin internetteki sesini azaltmak da bir önlemdir, ama sınırlıdır. FBI kişisel sosyal medya hesaplarını gizli tutmayı ve sesinizi ya da görüntünüzü taşıyan içeriği mümkünse sınırlamayı öneriyor. Bu önlem taklidi zorlaştırır. Klon için gereken 6 saniye ise çoğu yöneticinin internetteki tek bir videosunda bile vardır.

Kuralın çalışması için çalışanın şunu bilmesi yeter: sesin tanıdık olması geri aramayı atlamak için bir sebep değildir. Gerçek yönetici birkaç dakikalık geri aramadan bir şey kaybetmez. Kuralı yöneticinin kendisinin duyurması, çalışanın geri aramaktan çekinmesini de önler.

Sonuç: Tanıdık Ses Birkaç Saniyede Taklit Edilir

Ses klonlama, bir sesi tanımanın kimliği kanıtladığı varsayımını bozdu. Taklit için gereken kayıt birkaç saniyeye indi ve telefon hattı geriye kalan farkı daha da örttü.

Girişteki benzetmeye dönersek: bakkalın dükkanındaki her parçanın şirkette bir karşılığı var.

  • Ayşe Hanım’ın sesi, telefondaki yöneticinin ya da tedarikçinin sesidir.
  • Yıllarca duyarak tanımak, modelin 6 saniyelik bir kayıttan çıkardığı tınıdır.
  • Hattın cızırtısı, sesin yüksek frekanslarını kesen telefon bandıdır.
  • Alışılmadık sipariş, alışılmadık ödeme ya da erişim talimatıdır.
  • Veresiye defterindeki ev numarası, şirket rehberindeki numara ve geri aramadır.

Ölçümde beklediğimden farklı çıkan üç şey var. Ücretsiz ve yerel bir model, ekran kartı devreye girmeden 6 saniyelik bir kayıtla klon üretti. Türkçedeki kusurlar modelden modele değişti, yani ezberlenecek tek bir kusur listesi yok. Telefon bandı benzetimi farkı silmedi, ama klonun yüksek frekanstaki eksikliğini tamamen kesti ve kalan farkın üstüne kendi bozmasını ekledi.

Üç sonuç da aynı yere çıkıyor. Sesi dinleyerek karar vermek giderek zorlaşıyor. Geri arama ise sesin kalitesine bakmadığı için klon iyileştikçe zayıflamıyor.

Ses Klonlama Hakkında Sık Sorulan Sorular

Birkaç saniye yeter. Kendi sesimle yaptığım denemede 6 saniyelik bir kayıt, ücretsiz bir modelle ve ekran kartı devreye girmeden, yalnız işlemciyle klon üretmeye yetti. VALL-E adlı araştırma modeli 3 saniyelik kayıtla görülmemiş bir konuşmacıyı taklit ettiğini bildiriyor. Bir röportaj, bir webinar kaydı ya da şirkete bırakılmış bir sesli mesaj bu kadar kaydı fazlasıyla taşır.
Daha güvenli değil, daha risklidir. Dolandırıcı sesli mesajı istediği kadar üretip en iyisini gönderir, siz de kayda soru soramazsınız. Yalnız işlemciyle çalışan ücretsiz bir model 21 saniyelik bir mesajı yaklaşık 4 dakikada hazırlar. Sesli mesajla gelen ödeme ya da erişim talimatı tek başına yerine getirilmez, mesajı bırakan kişi şirket rehberindeki numarasından geri aranır.
Numara tek başına bunu kanıtlamaz. ABD Federal Ticaret Komisyonu FTC, dolandırıcıların arayan numara ekranında istedikleri adı ve numarayı gösterebildiğini yazıyor ve buna spoofing diyor. Tanıdık numara ile tanıdık ses bir araya geldiğinde bile ikisi de karşı tarafın elindedir. Doğrulama için telefonu kapatıp yöneticiyi şirket rehberindeki numarasından siz arayın.
Buna güvenilemez. Kendi sesimle yaptığım telefon bandı benzetiminde klonu ele veren yüksek frekans farkı tamamen kayboldu. Kalan farkın üstüne hattın kendi bozması bindi ve bu bozma farkın yarısından biraz fazlası kadar çıktı. Dinleyici duyduğu tuhaflığın bir kısmını hatta verebilir. Bu yüzden karar sesin tınısına göre değil, talimatın türüne göre verilir: ödeme, banka bilgisi, parola ya da erişim isteyen her talimat geri aramayla doğrulanır.
İlker Pehlivan
Yazan

BT Danışmanı | Ağ, Sistem ve Güvenlik Yönetimi

İlker Pehlivan, karmaşık BT altyapılarını ölçeklenebilir ve güvenli sistemlere dönüştürür. Buradaki rehberleri kendi laboratuvarında kurup ölçerek yazar.

LinkedIn

Benzer Makaleler

Deepfake Nedir? Sahte Ses ve Görüntü Şirketi Nasıl Hedefler?

Deepfake nedir, sahte ses ve görüntü nasıl çalışır, şirkete hangi üç yoldan gelir? Gerçek vakalar, birkaç saniyelik kayıt ve asıl korumanın neden kural olduğu.

12 dk okuma

Siber Güvenlik Farkındalık Eğitimi: Sınav ve Sertifika

Siber güvenlik farkındalık eğitimi: kurumunuza özel, en az 45 dakikalık uzaktan oturum, sınırsız katılım, sonunda sınav ve sertifika. Oltalama, parola, KVKK.

10 dk okuma

Görüntülü Görüşmede Deepfake Video: Sahte Patron, Sahte Aday

Görüntülü görüşmede deepfake video ile sahte yönetici ve sahte aday: Hong Kong vakası, uzaktan mülakat, liveness testi ve toplantının dışında doğrulama.

11 dk okuma

Baiting (Yemleme) Saldırısı Nedir? USB Bellek Tuzağı

Baiting nedir? Yerde bırakılan USB bellek, ücretsiz program ve hediye gibi yemlerle yapılan saldırı, klavye gibi davranan bellek ve şirkette alınacak önlemler.

7 dk okuma

BEC Nedir? İş E-postası Dolandırıcılığı ve Türleri

BEC (iş e-postası dolandırıcılığı) nedir, bağlantısız bir mail şirketten nasıl para çıkarır? Beş senaryo, gönderenin üç biçimi ve para gittiyse ilk saat.

9 dk okuma

Pharming Nedir? Doğru Adres, Sahte Site

Pharming nedir? Adres doğru yazılsa bile sahte siteye yönlendirme: hosts dosyası, modem ve DNS'in ele geçirilmesi, sertifika uyarısı ve şirketteki önlemler.

7 dk okuma