Den klonade rösten i telefonen: hur du inte kommer att upptäcka den

En fredagseftermiddag i juli ringde telefonen hemma hos en 80-årig kvinna i Kühlungsborn vid Tysklands Östersjökust. Den som ringde påstod sig vara läkare: hennes barnbarn hade orsakat en allvarlig olycka, någon hade omkommit, och 30 000 euro i borgen behövdes, annars skulle hon hamna i fängelse. Sedan tog en kvinna över samtalet och utgav sig för att vara offrets dotter. Polisen i Rostock skrev i sitt uttalande den 27 juli, översatt från tyskan: ”Hennes röst liknade den hos hennes riktiga dotter så mycket att den 80-åriga kvinnan till en början trodde på berättelsen.” Pensionären gick för att hämta pengarna. På vägen till Rostock stötte hon på sin riktiga sonson, berättade om det för honom, och han ringde polisen. Det blev aldrig mer än ett försök.

Om en klonad röst var inblandad vet ingen. Polisen säger inget om det, och ingen har kontrollerat det. Det är precis där problemet som den här artikeln handlar om börjar.

För det som alla rådgivningsspalter har lovat i åratal är ett svar på frågan ”hur kunde hon ha vetat?”. Sex tecken cirkulerar för just det syftet. De låter trovärdiga, de finns överallt, och de flesta av dem stämmer inte längre.

De sex tecknen, granskade ett efter ett

Källan till listan är den deepfake-sida som publicerats av BSI, Tysklands federala myndighet för informationssäkerhet. Det är den text som alla har kopierat från ända sedan dess.

Sidan avslöjar sin egen ålder. I avsnittet om motåtgärder hänvisar den fortfarande till EU-kommissionens ”utkast till förordning om AI-system” som skulle kräva märkning. Det utkastet blev lag för länge sedan. AI-lagen trädde i kraft den 1 augusti 2024, och dess krav på öppenhet har gällt sedan den 2 augusti 2026.

Två saker sticker ut. För det första förekommer två av de mest citerade tecknen inte alls på BSI:s sida. Varken ”inget bakgrundsljud” eller ”inga andningsljud” finns där. De har uppstått genom upprepning, utan att någon auktoritet eller studie någonsin har testat dem.

För det andra är det metalliska ljudet, av de fyra som återstår, det mest kända och det svagaste.

Varför fördröjningen försvann

BSI listar ”märkbar fördröjning” som ett tecken och förklarar det tekniskt: ett system måste ta emot en del av innehållet innan det kan omvandla det. Det brukade stämma. Nu stämmer det inte längre.

För att förstå varför måste man skilja på två olika tekniker, som båda kallas ”AI-röst” i vardagligt språk.

Med text-till-tal, eller TTS, skriver någon in text och systemet läser upp den. Vid röstkonvertering, eller VC, talar en människa och systemet byter endast klangfärgen. Intonation, känsla, andning och förmågan att svara på en fråga kommer alla från en riktig person.

För ett samtal där offret ställer frågor och gråter är endast den andra tekniken användbar. Och den fungerar i realtid. En mätning utförd av företaget Koe AI på en vanlig stationär dator utan grafikkort visar att LLVC-metoden har en fördröjning på 19,7 millisekunder, QuickVC på 97,6 och RVC på 189,8. En vanlig mobilanslutning ligger på 100 till 200 millisekunder. Ett konverteringslager på 20 millisekunder försvinner i linjen innan någon hinner höra det.

Då återstår frågan om källmaterialet. ”Tre sekunder räcker” är den mening som alltid nämns i sammanhanget. Den härstammar från två källor som ofta blandas ihop. Den seriösa källan är VALL-E, ett system från Microsoft Research från januari 2023 som syntetiserar utifrån ett tre sekunders prov, även om mätningarna gjordes på rena ljudboks- och studioinspelningar. Den mer populära källan är en siffra från en studie från maj 2023 av säkerhetsprogramvaruleverantören McAfee, vars metodik aldrig publicerades.

Vad aktuell forskning mäter när det gäller spontant vardagligt tal ser mer nykter ut. En studie från 2026 utförd av Barcelona Supercomputing Center visar att likheten med talaren minskar med ungefär 31 procent med F5-TTS-systemet när referensmaterialet krymper från 7,7 till 5,5 sekunder. Med StyleTTS2 blir resultatet dessutom delvis obegripligt.

Så den ärliga distinktionen är denna. Några sekunder räcker för att rösten ska vara ”igenkännbart lik”. För att den ska ”hålla hela ett telefonsamtal” krävs mer – enligt nuvarande rön ungefär tio till sextio sekunder av tydligt sammanhängande tal. I den londonska studien, där klonerna verkligen inte gick att skilja från riktiga röster, användes cirka fyra minuter referensmaterial per röst.

BSI försökte för övrigt detta själva, och den detaljen är mer anmärkningsvärd än någon siffra. För en demonstrationsvideo klonade byrån rösten hos sin dåvarande ordförande, Arne Schönbohm. Man använde cirka tio minuter ljud hämtat från offentligt tillgängliga videor som, enligt byråns egna ord, var ”endast av medelhög kvalitet”. Meningen som den falska rösten yttrar lyder: ”Jag är inte verklig, och för tillfället kan du känna igen det faktumet. När tekniken mognar kommer du dock att finna detta mycket, mycket svårt.” Den andra halvan av den meningen är vad resten av denna artikel handlar om.

Det är tvärtom

I maj 2026 publicerade Nicolas M. Müller och Wei Herng Choong från Fraunhofer-institutet för tillämpad och integrerad säkerhet den hittills största lyssningsstudien på ämnet. 1 768 deltagare, 35 532 enskilda bedömningar, 138 talsyntessystem, direkt jämförbara med en baslinjestudie från 2021.

Det förväntade resultatet skulle vara att människor har blivit sämre på att upptäcka förfalskningar. Så ser inte resultatet ut.

När det gäller förfalskningar är träffsäkerheten nästan oförändrad på 71,2 procent jämfört med 72,9. Det som har rasat är den andra sidan. När det gäller äkta inspelningar sjönk den från 72,7 till 64,1 procent. Människor har inte blivit sämre på att upptäcka syntetiska röster. De har blivit sämre på att tro på äkta röster. Författarna kallar det en ”skepsisförskjutning”.

För ett telefonsamtal klockan halv tolv på natten innebär det något obehagligt. Den som bestämmer sig för att lyssna noggrannare nästa gång förskjuter oftast tröskeln för när man bör misstro sin egen dotter. Rådet att lyssna på ljudet gör saker och ting mätbart sämre, inte bättre.

Ett andra resultat från samma studie sätter punkt för checklistorna. Det svåraste att upptäcka var inte de exotiska forskningssystemen utan de kommersiella tjänsterna och de språkmodellbaserade systemen, med 61,3 till 65,9 procent. De lättaste att upptäcka var de äldre, tekniskt enklare metoderna, med 75,4 till 76,8 procent. Det som vem som helst kan boka med ett kreditkort låter mest äkta.

En artikel från Queen Mary University of London, publicerad i PLOS ONE i september 2025, kommer fram till samma slutsats. Röstkloner bedömdes som mänskliga i 58 procent av fallen där, medan riktiga röster i samma uppställning bedömdes som mänskliga i 62 procent av fallen. Forskarna betonar uttryckligen att kloner inte överträffar riktiga röster. Deras artikel har titeln ”Röstkloner låter realistiska men inte (ännu) hyperrealistiska”. De låter inte mer verkliga än de riktiga rösterna. De låter precis lika äkta, och det är fullt tillräckligt.

En automatiserad detektor i Fraunhofer-studien låg över 94,5 procent under alla förhållanden. Maskinerna hör fortfarande skillnaden. Människor gör det inte.

Vad de tyska siffrorna visar, och vad de inte visar

Den 6 augusti offentliggjorde Tysklands federala kriminalpolis (BKA) siffror från polisens brottsstatistik för 2025 på begäran av nyhetsbyrån dpa. Resultaten pekar i två riktningar. När det gäller bedrägerier riktade mot äldre och chocksamtal minskade antalet fall från 6 658 till 4 798, men förlusterna ökade ändå. När det gäller falska poliser ökade båda siffrorna, och förlusterna steg med två tredjedelar. Detta tyder på färre men mer riktade brott med högre enskilda belopp.

Och nu den avgörande meningen: brottsstatistiken redovisar inte om AI var inblandat. För Tysklands del finns det inte en enda tillförlitlig siffra på hur många chocksamtal som gjordes med en klonad röst. Den som citerar en sådan siffra har inte mätt den själv.

Det hindrar inte att sådana siffror cirkulerar. Den mest citerade siffran, totala förluster på 10,6 miljarder euro, kommer från en undersökning av 2 000 konsumenter som genomfördes av Global Anti-Scam Alliance i juni 2025 och omfattar alla former av bedrägerier, inte AI-bedrägerier. Under tiden har siffran förvandlats till en uppskattning från den federala kriminalpolisen och Europol, som ingen av myndigheterna någonsin har lämnat. Detsamma gäller de påstådda en halv miljon bedrägliga samtalen som den federala nätverksmyndigheten sägs ha registrerat i januari 2026. Den siffran kommer från en app för nummeridentifiering och räknar rapporter från appens egna användare.

Myndigheternas faktiska uttalanden är mer försiktiga. Förbundskriminalpolisen uppgav för dpa att det är ”möjligt även utan djupgående teknisk kunskap, med hjälp av allmänt tillgängliga AI-system” att simulera en övertygande röst som liknar ett barnbarns. Det är ett uttalande om möjligheten, inte en fallbeskrivning. På den tyska polisens sida om brottsförebyggande åtgärder mot chocksamtal förekommer varken artificiell intelligens eller röstkloning alls än i dag.

Ett aktuellt fall visar varför återhållsamhet är påkallad. Den 29 april 2026 rapporterade polisen i Oberpfalz om tre genomförda bedrägerier via chocksamtal under en enda eftermiddag i Regensburg och Amberg. Alla tre samtalen fördes på ryska och riktade sig medvetet till rysktalande pensionärer. Någon som pratar flytande ryska och reagerar flexibelt på en 89-årings frågor är en människa i luren.

Vad som faktiskt hjälper

Om det inte hjälper att lyssna är det enda alternativet som återstår att byta kanal. Allt som är effektivt bygger på just den idén.

Lägg på och ring tillbaka själv. Den tyska polisen uttrycker det så här på sin förebyggande webbplats, översatt från tyskan: ”Lägg på omedelbart. Det är inte ohövligt, det ger dig utrymme att andas och samla tankarna.” Och: ”Kontakta den som ringt, eller någon du litar på, på ett nummer du redan känner till.” Det är den sista delen som är viktig. Inte återuppringningsknappen, utan numret från din egen adressbok, eftersom visade nummer kan förfalskas.

Ett kodord, eller en fråga som bara den riktiga personen kan svara på. Polisen rekommenderar att man kommer överens om ett ”kodord för identifiering i telefon”, och polisen i Oberpfalz tillägger att det ska vara lätt att komma ihåg och svårt att gissa. På sin sida om bedrägerier riktade mot äldre rekommenderar samma myndighet den mer robusta varianten: ”Fråga den som ringer om saker som endast den riktiga släktingen eller bekanten kan veta.” Ett kodord kan man glömma i chock. Smeknamnet på familjens hund från 1998 kan man inte glömma, och ingen språkmodell kan gissa det, eftersom den informationen inte finns någonstans.

Här finns en viktig reservation. De som ringer reagerar på frågor med gråt, tidspress och att de lämnar över till en påstådd advokat. Det räcker inte att bara ställa frågor. Man måste först lägga på och sedan ringa tillbaka.

Ändra din uppgift i telefonkatalogen. Detta är det mest effektiva och minst kända rådet. På sin sida om bedrägerier mot far- och morföräldrar är den tyska polisen ovanligt rakt på sak, översatt från tyskan: ”Bedragare använder uppgifter i telefonkatalogen för att välja ut offer för telefonbedrägerier. Äldre förnamn eller korta telefonnummer avslöjar att det är en äldre person som står bakom uppgiften.” Den som vill fortsätta stå med i telefonkatalogen bör förkorta sitt förnamn. På samma sida finns ett färdigt formulär för teleoperatören. För offer för telefonbedrägerier är det oftast gratis att byta nummer.

Lämna inte ifrån dig någonting, och ring 110 om du är osäker. Polisens råd är kortare än någon förklaring: ”Lämna aldrig pengar eller värdesaker som smycken till främlingar, inte ens till polisen.” Anmäl det även om det bara stannade vid ett försök. Det är det enda sättet att upptäcka mönster.

Den nya märkningsplikten hjälper inte här

Transparenskraven i AI-lagen har gällt sedan den 2 augusti 2026. Den 5 augusti sammanfattade det bayerska konsumentrådgivningscentret vad detta innebär och nämnde just detta fall, översatt från tyskan: ”Detta omfattar uttryckligen syntetiska röster. Den som tar emot ett samtal eller ett röstmeddelande som skapats med en klonad röst måste informeras om detta.”

Formellt sett åligger skyldigheten den som ringer, och undantaget för rent privat, icke-yrkesmässig användning omfattar inte en kriminell organisation som bedriver kommersiell verksamhet. I praktiken förändrar det ingenting för offret. Ingen följer en informationsplikt som skulle förstöra syftet med brottet. Den tillämpas administrativt, med böter på upp till 15 miljoner euro, mot företag med en adress och en omsättning, inte mot anonyma uppringare utomlands. Straffrättsligt förblir det bedrägeri enligt § 263 i den tyska strafflagen, precis som tidigare.

Tatjana Halm, chef för juridik och digitala frågor vid det bayerska konsumentrådgivningscentret, säger det själv, översatt från tyskan: ”De nya reglerna skapar större transparens. Men bedragare följer inte regler, så en saknad etikett är ingen garanti för säkerhet.”

Det är den meningen som ersätter hela checklistan. Det finns ingen etikett att vänta på och inget ljud att lyssna efter. Det finns bara den andra kanalen.