Дипфейки и мошенничество с голосом руководителя: разбор реальных случаев

«Мошенничество от имени руководителя» (в англоязычной практике его называют CEO fraud или business email compromise) существует давно и десятилетиями работало через поддельные письма и телефонные звонки с убедительным голосом нужного тона. То, что изменилось за последние несколько лет, это появление технологии, способной синтезировать не просто «убедительный» голос. Технология синтезирует голос конкретного, реального человека, практически неотличимый от оригинала.

Случай, который стал показательным для всей индустрии

В начале 2024 года широко освещался инцидент в Гонконге: сотрудник финансового отдела международной компании перевёл около 25 миллионов долларов после участия в видеоконференции, где, как он был уверен, присутствовали финансовый директор компании и несколько других коллег. Все участники встречи, кроме самого сотрудника, оказались синтезированы на основе видеоматериалов реальных людей, в основном взятых из публичных источников вроде записей прошлых конференций и интервью.

Показательность этого случая не в сумме, хотя она значительная. Показательность в том, что сотрудник не был ни наивным, ни небрежным в привычном понимании. Он видел «коллег» на видеозвонке, слышал их «голоса», наблюдал реалистичное поведение на экране. Стандартная осторожность, которой годами учили сотрудников («проверяй подозрительные письма», «будь внимателен к странным запросам»), в этом сценарии не сработала бы, потому что ничего видимо странного не было.

Как технически работает синтез голоса и видео

Современные модели клонирования голоса способны создать убедительную имитацию на основе относительно короткого образца: нескольких минут, а в ряде коммерческих и открытых инструментов даже нескольких секунд записи реального голоса. Для публичных фигур (руководителей крупных компаний, часто выступающих на конференциях, дающих интервью, присутствующих в записях корпоративных мероприятий) такого материала в открытом доступе обычно достаточно.

Видеосинтез (технология, которую массово называют дипфейком) работает по похожему принципу: модель обучается на видеоматериале конкретного человека и способна генерировать новое видео с его лицом и мимикой, иногда в реальном времени во время видеозвонка. Качество таких подделок несколько лет назад было достаточно легко заметить по характерным артефактам: неестественному морганию, странным переходам, нестыковкам освещения. Качество современных инструментов заметно выросло, и для рядового сотрудника без специальной подготовки распознать подделку в реальном времени становится всё сложнее.

Важно понимать экономику этой угрозы: раньше качественная имитация голоса или видео руководителя требовала дорогостоящей профессиональной студийной работы и была доступна в основном государственным спецслужбам или очень хорошо финансируемым преступным группам. Сейчас инструменты сопоставимого качества доступны за небольшие деньги или вовсе бесплатно практически любому желающему, что радикально расширило круг потенциальных атакующих.

Какие сценарии атак встречаются чаще всего

Срочный перевод денег от имени руководителя через телефонный звонок или аудиосообщение, часто с давлением на срочность и конфиденциальность («это деликатная сделка, не обсуждай ни с кем, пока не завершим перевод»), остаётся самым распространённым сценарием, потому что он нацелен на предсказуемую человеческую реакцию: подчинённый не хочет подвести руководителя и не склонен долго перепроверять срочный прямой приказ.

Видеоконференция с синтезированными участниками, как в гонконгском случае, представляет более технически сложный, но и более убедительный вариант атаки, обычно нацеленный на крупные транзакции, где одного голосового звонка может быть недостаточно для убеждения жертвы.

Запрос на изменение банковских реквизитов поставщика, якобы от имени реального контрагента, использующий синтезированный голос сотрудника компании-партнёра, нацелен не на внутренний персонал. Цель здесь бухгалтерия, обрабатывающая платежи по текущим контрактам.

Почему традиционная осторожность не защищает полностью

Сотрудника годами учили «быть бдительным» и «проверять подозрительные запросы», но дипфейк-атака не выглядит подозрительно в привычном смысле. Голос звучит правильно, видео показывает знакомое лицо, контекст разговора логичен. Полагаться в этой ситуации на интуицию или внимательность человека: ненадёжная стратегия, потому что сама атака спроектирована так, чтобы обойти именно эти механизмы распознавания.

Рабочая защита строится не на умении отличать настоящий голос от поддельного: это постоянно усложняющаяся с технической стороны задача. Она строится на том, чтобы сделать саму проверку личности независимой от голоса и видео как таковых.

Практические меры защиты для компании

Кодовое слово или кодовая фраза для подтверждения особо значимых финансовых операций, известная ограниченному кругу сотрудников и регулярно обновляемая, остаётся простой и эффективной мерой: даже идеально синтезированный голос не знает секретной фразы, если она не была скомпрометирована отдельно.

Процедура обязательного подтверждения любого запроса на перевод денег, изменение реквизитов или передачу конфиденциальных данных через второй, независимый канал связи (например, если запрос пришёл по видеозвонку, подтверждение запрашивается отдельным звонком на заранее известный номер телефона, не через тот же канал, где поступил исходный запрос) резко снижает эффективность атаки, построенной на одном скомпрометированном канале.

Лимиты на сумму транзакций, которые можно одобрить без привлечения второго уполномоченного сотрудника, вне зависимости от того, насколько убедительно и срочно звучит запрос от «руководителя», защищают от сценариев, построенных на давлении и спешке.

Обучение сотрудников финансового и административного блока именно с учётом новой реальности синтеза голоса и видео, с демонстрацией реальных примеров подобных атак, включая публично задокументированные случаи, формирует адекватное восприятие угрозы: не паранойю. Понимание, что убедительность голоса и видео сама по себе больше не является доказательством подлинности, вот что реально работает.

Ограничение публичного доступа к материалам с голосом и видео ключевых руководителей компании, где это реально возможно без ущерба для бизнеса (например, не выкладывать в открытый доступ длинные интервью и выступления без необходимости), снижает объём материала, доступного для обучения синтезирующей модели, хотя для публичных компаний и публичных персон эта мера имеет ограниченную применимость.

Итоговая мысль

Технология синтеза голоса и видео развивается быстрее, чем способность человека научиться её распознавать на слух или на глаз. Единственная устойчивая защита строится не на улучшении человеческой интуиции. Она строится на процедурах, которые делают саму убедительность голоса и видео нерелевантной: независимая верификация по второму каналу, кодовые фразы, лимиты и обязательное второе подтверждение для значимых операций. Это не новые идеи в принципе, но их актуальность сейчас выше, чем когда-либо прежде.