Voice Cloning Attack（声音克隆攻击）

声音克隆攻击利用三层技术栈：语音编码将语音信号压缩为离散 token 序列（EnCodec、SoundStream、DAC）；语言模型在语音 token 上训练自回归模型，学习语音时序模式；声码器将 token 解码为波形（BigVGAN、Vocos）。零样本克隆仅需 3-10 秒参考音频即可生成高保真语音。开源工具（Fish Speech、GPT-SoVITS）大幅降低了攻击门槛。

防御声音克隆攻击需要多层策略：技术层——音频深度伪造检测（频谱分析、相位一致性、呼吸模式检测）、声纹活体检测、AI 音频水印（参见 ai-watermarking）。流程层——重要操作不依赖单一语音确认，结合密码/短信验证码等多因素；回拨验证；关键词挑战。组织层——员工培训、大额转账多人确认、应急预案。没有任何单一技术能完全阻止攻击，防御必须是多层的。