La voce clonata al telefono: come non riconoscerla

Un venerdì pomeriggio di luglio, squillò il telefono a casa di una donna ottantenne a Kühlungsborn, sulla costa baltica della Germania. Chi chiamava sosteneva di essere un medico: sua nipote aveva causato un grave incidente, c’era stato un decesso e occorrevano 30.000 euro di cauzione, altrimenti sarebbe finita in carcere. Successivamente, una donna prese il controllo della conversazione, presentandosi come la figlia della vittima. La polizia di Rostock ha scritto nel proprio comunicato del 27 luglio, tradotto dal tedesco: «La sua voce somigliava talmente tanto a quella della figlia vera che l’ottantenne inizialmente credette alla storia». La pensionata andò a prelevare il denaro. Mentre si recava a Rostock, ha incontrato il suo vero nipote, gli ha raccontato l’accaduto e lui ha chiamato la polizia. Il tentativo non è mai andato oltre.

Se sia stata utilizzata una voce clonata, nessuno lo sa. La polizia non lo afferma e nessuno ha verificato. È proprio qui che ha inizio il problema di cui tratta questo articolo.

Perché ciò che ogni rubrica di consigli promette da anni è una risposta alla domanda «come avrebbe potuto saperlo?». A tal fine circolano sei segnali. Sembrano plausibili, si trovano ovunque e la maggior parte di essi non è più vera.

I sei segnali, esaminati uno per uno

La fonte dell’elenco è la pagina sui deepfake pubblicata dal BSI, l’Ufficio federale tedesco per la sicurezza informatica. È il testo da cui tutti hanno continuato a copiare da allora.

La pagina tradisce la propria data di pubblicazione. Nella sezione dedicata alle contromisure fa ancora riferimento alla «bozza di regolamento sui sistemi di intelligenza artificiale» della Commissione europea che avrebbe previsto l’obbligo di etichettatura. Tale bozza è diventata legge già da tempo. L’AI Act è entrato in vigore il 1° agosto 2024 e i suoi obblighi di trasparenza si applicano dal 2 agosto 2026.

Due aspetti saltano all’occhio. Innanzitutto, due dei segni citati più frequentemente non compaiono affatto nella pagina del BSI. Non vi si trovano né «assenza di rumore di fondo» né «assenza di suoni respiratori». Sono emersi per ripetizione, senza che alcuna autorità o studio li abbia mai verificati.

In secondo luogo, dei quattro che rimangono, il suono metallico è il più noto e il meno significativo.

Perché il ritardo è scomparso

Il BSI elenca il «ritardo percepibile» come segno e lo spiega dal punto di vista tecnico: un sistema deve ricevere parte del contenuto prima di poterlo convertire. Un tempo era vero. Ora non lo è più.

Per comprenderne il motivo, occorre distinguere due modelli, entrambi denominati comunemente «voce AI» nel linguaggio quotidiano.

Con la sintesi vocale (Text-to-Speech, o TTS), un utente digita un testo e il sistema lo riproduce a voce. Con la conversione vocale (VC), una persona parla e il sistema si limita a sostituire il timbro. L’intonazione, l’emozione, la respirazione e la capacità di rispondere a una domanda provengono tutte da una persona reale.

Per una chiamata in cui la vittima pone domande e piange, è utilizzabile solo il secondo sistema. E funziona in tempo reale. Una misurazione effettuata dalla società Koe AI su una normale CPU da desktop senza scheda grafica indica una latenza di 19,7 millisecondi per il metodo LLVC, di 97,6 per QuickVC e di 189,8 per RVC. Una normale connessione mobile si attesta tra i 100 e i 200 millisecondi. Un livello di conversione di 20 millisecondi si dissipa nella linea prima che qualcuno possa percepirlo.

Rimane quindi la questione del materiale di partenza. «Tre secondi sono sufficienti» è la frase che accompagna ovunque questa discussione. Deriva da due fonti che vengono spesso confuse. Quella più autorevole è VALL-E, un sistema di Microsoft Research del gennaio 2023 che sintetizza a partire da un campione di tre secondi, sebbene le misurazioni siano state effettuate su audiolibri puliti e registrazioni in studio. Quella più diffusa è un dato tratto da uno studio del maggio 2023 condotto dal fornitore di software di sicurezza McAfee, la cui metodologia non è mai stata pubblicata.

I risultati delle ricerche attuali sul parlato spontaneo quotidiano appaiono più realistici. Uno studio del 2026 condotto dal Barcelona Supercomputing Center rileva una perdita di circa il 31 per cento della somiglianza con il parlante nel sistema F5-TTS quando il materiale di riferimento si riduce da 7,7 a 5,5 secondi. Con StyleTTS2, inoltre, l’output diventa in parte incomprensibile.

Pertanto, la distinzione corretta è la seguente. Bastano pochi secondi per ottenere una «somiglianza riconoscibile». Per «resistere per l’intera durata di una telefonata» occorre di più: in base alle prove attuali, dai dieci ai sessanta secondi di discorso continuo e chiaro. Lo studio londinese, i cui cloni erano davvero indistinguibili dalle voci reali, ha utilizzato circa quattro minuti di materiale di riferimento per ciascuna voce.

Il BSI, per inciso, ha provato a farlo in prima persona, e questo dettaglio è più significativo di qualsiasi dato numerico. Per un video dimostrativo, l’agenzia ha clonato la voce del proprio presidente dell’epoca, Arne Schönbohm. Ha utilizzato circa dieci minuti di audio tratto da video disponibili al pubblico che erano, secondo le sue stesse parole, «di qualità solo media». La frase pronunciata dalla voce sintetica recita: «Non sono reale e, per ora, potete rendervi conto di questo fatto. Man mano che la tecnologia maturerà, tuttavia, vi risulterà molto, molto difficile distinguermi». La seconda parte di quella frase è proprio l’argomento del resto di questo articolo.

La questione presenta anche un altro risvolto

Nel maggio 2026 Nicolas M. Müller e Wei Herng Choong dell’Istituto Fraunhofer per la Sicurezza Applicata e Integrata hanno pubblicato il più ampio studio di ascolto mai condotto finora sull’argomento. 1.768 partecipanti, 35.532 valutazioni individuali, 138 sistemi di sintesi vocale, direttamente comparabili con uno studio di riferimento del 2021.

Il risultato atteso sarebbe che le persone siano diventate meno capaci di individuare le falsificazioni. Ma non è questo il risultato.

Per quanto riguarda le falsificazioni, l’accuratezza è rimasta pressoché invariata al 71,2% contro il 72,9%. Ciò che è crollato è l’altro aspetto: sulle registrazioni reali è scesa dal 72,7% al 64,1%. Le persone non sono diventate meno capaci di riconoscere la sintesi vocale. Sono diventate meno capaci di credere alle voci autentiche. Gli autori definiscono questo fenomeno un «cambiamento di scetticismo».

Per una telefonata alle undici e mezza di notte, ciò implica qualcosa di sgradevole. Chiunque decida di ascoltare con maggiore attenzione la prossima volta, nella maggior parte dei casi sposta la soglia oltre la quale smette di fidarsi della propria figlia. Il consiglio di prestare attenzione al suono peggiora sensibilmente la situazione, anziché migliorarla.

Una seconda scoperta dello stesso studio completa il quadro. I sistemi più difficili da individuare non erano quelli di ricerca più esotici, bensì i servizi commerciali e i sistemi basati su modelli linguistici, con percentuali comprese tra il 61,3 e il 65,9 per cento. I più facili da individuare erano i metodi più datati e tecnicamente più semplici, con una percentuale compresa tra il 75,4 e il 76,8%. Ciò che chiunque può prenotare con una carta di credito sembra il più reale.

Un articolo della Queen Mary University of London pubblicato su PLOS ONE nel settembre 2025 giunge alla stessa conclusione. In tale studio, i cloni vocali sono stati giudicati umani nel 58% dei casi, mentre le voci reali, nella stessa configurazione, nel 62%. I ricercatori sottolineano esplicitamente che i cloni non superano le voci reali. Il loro articolo è intitolato «I cloni vocali suonano realistici ma non (ancora) iperrealistici». Non suonano più reali delle voci reali. Suonano esattamente come quelle reali, e ciò è del tutto sufficiente.

Un rilevatore automatico utilizzato nello studio del Fraunhofer ha mantenuto una percentuale superiore al 94,5% in tutte le condizioni. Le macchine percepiscono ancora la differenza. Le persone no.

Cosa rivelano i dati tedeschi e cosa no

Il 6 agosto l’Ufficio federale di polizia criminale tedesco ha pubblicato, su richiesta dell’agenzia di stampa dpa, i dati tratti dalle statistiche sulla criminalità del 2025. I risultati vanno in due direzioni. Per quanto riguarda le truffe ai danni dei nonni e le chiamate intimidatorie, il numero di casi è sceso da 6.658 a 4.798, ma le perdite hanno comunque registrato un aumento. Per quanto riguarda i falsi agenti di polizia, entrambi i dati sono aumentati, con perdite in crescita di due terzi. Ciò indica un numero minore di reati, ma più mirati, con importi individuali più elevati.

Ed ora la frase che conta: le statistiche sulla criminalità non registrano se sia stata coinvolta l’intelligenza artificiale. Per la Germania non esiste un solo dato affidabile sul numero di chiamate intimidatorie effettuate con una voce clonata. Chiunque ne abbia citato uno non lo ha verificato.

Ciò non impedisce che tali cifre continuino a circolare. La cifra più citata, pari a 10,6 miliardi di euro di perdite totali, proviene da un sondaggio condotto dalla Global Anti-Scam Alliance nel giugno 2025 su un campione di 2.000 consumatori e riguarda tutte le forme di frode, non quelle legate all’intelligenza artificiale. Nel corso del tempo tale dato si è trasformato in una stima attribuita all’Ufficio federale di polizia criminale e a Europol, che nessuna delle due agenzie ha mai fornito. Lo stesso vale per il presunto mezzo milione di chiamate fraudolente che l’Agenzia federale delle reti avrebbe registrato nel gennaio 2026. Tale cifra proviene da un’app di identificazione del chiamante e tiene conto delle segnalazioni provenienti dalla propria base di utenti.

Quanto affermato effettivamente dalle autorità è più cauto. L’Ufficio federale di polizia criminale ha dichiarato alla dpa che simulare in modo convincente la voce di un nipote è, tradotto dal tedesco, «possibile anche senza profonde conoscenze tecniche, utilizzando sistemi di intelligenza artificiale di dominio pubblico». Si tratta di un’affermazione sulla possibilità, non di un caso concreto. Sulla pagina della polizia tedesca dedicata alla prevenzione dei reati legati alle «chiamate shock», l’intelligenza artificiale e la clonazione vocale non compaiono affatto, ancora oggi.

Un caso recente illustra perché sia giustificata una certa cautela. Il 29 aprile 2026 la polizia dell’Alto Palatinato ha segnalato tre casi di frode tramite «chiamate shock» portati a termine in un solo pomeriggio a Ratisbona e Amberg. Tutte e tre le conversazioni si sono svolte in russo, prendendo di mira deliberatamente pensionati di lingua russa. Chiunque sia in grado di conversare liberamente in russo e di rispondere con flessibilità alle domande di un ottantanovenne è sicuramente un essere umano all’altro capo del telefono.

Cosa aiuta davvero

Se l’ascolto non funziona, l’unica opzione rimasta è cambiare approccio. Tutto ciò che è efficace deriva da questa singola idea.

Riattaccate e richiamate voi stessi. La polizia tedesca lo spiega in questo modo sul proprio sito dedicato alla prevenzione, tradotto dal tedesco: «Riattaccate immediatamente. Non è scortese, vi dà spazio per respirare e per raccogliere le idee». E: «Contattate il chiamante, o una persona di cui vi fidate, utilizzando un numero che già conoscete». È proprio quest’ultima parte che conta. Non il tasto di richiamata, ma il numero presente nella vostra rubrica, poiché i numeri visualizzati possono essere falsificati.

Una parola in codice, oppure una domanda a cui solo la persona reale può rispondere. La polizia raccomanda di concordare una «parola in codice per l’identificazione al telefono», e la polizia dell’Alto Palatinato aggiunge che dovrebbe essere facile da ricordare e difficile da indovinare. Nella sua pagina dedicata alla truffa ai nonni, la stessa autorità raccomanda la variante più efficace: «Chiedete a chi chiama informazioni che solo il vero parente o conoscente potrebbe conoscere». Una parola in codice può essere dimenticata sotto shock. Il soprannome del cane di famiglia risalente al 1998 no, e nessun modello linguistico può indovinarlo, poiché tale informazione non esiste da nessuna parte.

È opportuno fare qui un’avvertenza. Chi chiama risponde alle domande con pianti, pressioni temporali e il passaggio della chiamata a un presunto avvocato. Chiedere non è di per sé sufficiente. La procedura da seguire è: riagganciare, quindi richiamare.

Modifichi la propria voce nell’elenco telefonico. Questo è il consiglio più efficace e meno conosciuto. Nella sua pagina dedicata alle truffe ai nonni, la polizia tedesca è insolitamente schietta; traduciamo dal tedesco: «I truffatori utilizzano le voci dell’elenco telefonico per selezionare le vittime delle truffe telefoniche. I nomi propri d’altri tempi o i numeri di telefono brevi indicano loro che dietro quella voce si nasconde una persona anziana». Chiunque desideri rimanere nell’elenco dovrebbe far abbreviare il proprio nome. Nella stessa pagina è disponibile un modulo già pronto da inviare al proprio operatore telefonico. Per le vittime di truffe telefoniche, la modifica del numero è solitamente gratuita.

Non consegni nulla e, in caso di dubbio, chiami il 110. Il consiglio della polizia è più conciso di qualsiasi spiegazione: «Non consegni mai denaro o oggetti di valore, come gioielli, a sconosciuti, nemmeno alla polizia». Denunci il fatto anche se si è trattato solo di un tentativo. È l’unico modo per individuare gli schemi ricorrenti.

Il nuovo obbligo di etichettatura non è di alcun aiuto in questo caso

Gli obblighi di trasparenza previsti dall’AI Act sono in vigore dal 2 agosto 2026. Il 5 agosto il centro di consulenza per i consumatori della Baviera ha sintetizzato il significato di tali disposizioni, citando proprio questo caso specifico, tradotto dal tedesco: «Ciò include espressamente le voci sintetiche. Chiunque riceva una chiamata o un messaggio vocale creato con una voce clonata deve esserne informato.»

Formalmente l’obbligo ricade sul chiamante, e l’esenzione per l’uso puramente privato e non professionale non si applica a un’organizzazione criminale che opera a fini commerciali. In pratica, ciò non cambia nulla per la vittima. Nessuno rispetta un obbligo di informativa che vanificherebbe lo scopo stesso del reato. L’obbligo viene fatto rispettare a livello amministrativo, con multe fino a 15 milioni di euro, nei confronti di aziende dotate di sede e fatturato, non nei confronti di chiamanti anonimi all’estero. Dal punto di vista del diritto penale, si tratta tuttora di frode ai sensi dell’articolo 263 del codice penale tedesco, esattamente come in precedenza.

Tatjana Halm, responsabile degli affari legali e digitali presso il centro di consulenza per i consumatori della Baviera, lo afferma lei stessa, tradotto dal tedesco: «Le nuove norme creano maggiore trasparenza. Ma i truffatori non rispettano le regole, quindi l’assenza di un’etichetta non costituisce una garanzia di sicurezza.”

Questa è la frase che sostituisce l’intera lista di controllo. Non c’è alcuna etichetta da attendere né alcun suono da ascoltare. C’è solo il secondo canale.