Modus operandi

Clonagem de voz: a voz deixou de provar identidade, e ainda é tratada como se provasse

Quinze segundos de áudio bastam para clonar uma voz. Isso atinge o parente que atende o telefone e a biometria do banco, e complica a prova dos dois lados.

Por Julio Cesar Madeira Soares, Perito em Investigação Digital e Segurança da Informação.
Publicação prevista para 16 de março de 2027

Quinze segundos de áudio público bastam para clonar uma voz com qualidade suficiente para enganar quem conhece a pessoa. Quinze segundos é menos que um story, menos que um áudio de grupo de família, menos que uma entrevista curta.

A consequência não é só o golpe do falso parente, que já circula bastante. É maior: a voz deixou de funcionar como prova de identidade, e continua sendo usada como se funcionasse.

Duas direções do mesmo problema

A clonagem ataca por dois lados, e eles quase nunca são discutidos juntos.

A voz engana a pessoa. É o desenho mais conhecido. Chega mensagem de número desconhecido dizendo que trocou de aparelho, seguida de áudio com a voz do filho, da mãe, do sócio, pedindo um Pix urgente. O que convence não é o texto, é o timbre. E o timbre saiu de um vídeo público.

A voz engana a máquina. Esse lado é menos comentado e tem consequência maior. Biometria de voz é usada como autenticação em canal de atendimento bancário, justamente porque resolve um problema real: identificar o cliente dentro da mesma ligação, sem perguntar nome da mãe e data de nascimento.

Os dois casos partem da mesma premissa, que era razoável até pouco tempo atrás: quem fala com a sua voz é você.

O que isso faz com a autenticação por telefone

Biometria de voz nasceu como fator razoável. Reconhecimento por características da fala é mais difícil de falsificar do que senha, e muito mais conveniente que questionário.

O problema é de classe: voz é um dado que a pessoa distribui o tempo todo, em público. Diferente da digital, que fica no dedo, e diferente da senha, que fica na cabeça, a voz está em cada áudio enviado, em cada vídeo postado e em cada ligação atendida, inclusive a do próprio fraudador, que liga com pretexto qualquer só para gravar.

Somando isso à clonagem, o fator não deixa de funcionar, mas muda de categoria. Ele deixa de ser autenticação e vira indício. É diferença grande, e ela não foi assimilada nem pelos processos de atendimento nem pela cabeça de quem atende.

A resposta técnica que o mercado vem adotando é abandonar camada única: prova de vivacidade vocal, análise comportamental contínua, validação documental. Funciona, e tem um efeito colateral que interessa a este site: cada camada nova gera registro, e é o registro que vai decidir a discussão depois.

A pergunta que quase ninguém faz: como se prova que a voz era sintética

Aqui está o ponto em que este texto difere do que se escreve sobre o assunto, e é também onde a resposta honesta é desconfortável.

Existe pesquisa ativa em detecção de áudio sintético, e existem ferramentas que apontam artefatos de síntese. Mas isso ainda não é método consolidado da forma que um processo exige.

Vale lembrar o que tratamos em como ler um laudo: o art. 473, III do Código de Processo Civil obriga o laudo a indicar o método e demonstrar que ele é predominantemente aceito pelos especialistas da área. Detecção de voz sintética é campo em movimento, com desempenho que varia conforme o gerador usado e que envelhece rápido, porque cada geração nova de síntese derruba o detector anterior.

Ou seja, um laudo que afirme categoricamente “este áudio é sintético” tem um problema de art. 473, III para resolver antes de qualquer outra coisa. E um laudo que afirme o contrário, que o áudio é autêntico, tem o mesmo problema com sinal trocado.

A consequência prática é contraintuitiva: em caso de voz clonada, a prova raramente está no áudio.

Onde a prova está, então

No que cerca o áudio, que é o terreno de sempre.

• De qual número e de qual operadora partiu a ligação ou a mensagem, e esse número tem histórico com a vítima?
• O aparelho que enviou o áudio é o mesmo que a pessoa supostamente usa, e o que os registros de conexão dizem sobre isso?
• O áudio foi transmitido por aplicativo, e nesse caso qual o registro de envio, com data e hora?
• Se houve autenticação por voz na instituição, existe registro do escore de correspondência, do limiar aplicado e do resultado da prova de vivacidade?
• A operação seguinte ao contato destoa do perfil transacional da conta?

A última é a mesma que decide os outros casos do site, e não é coincidência. Como tratamos em vítima pessoa idosa, quanto mais estável o padrão da conta, mais detectável o desvio, e isso independe de o gatilho ter sido uma voz falsa ou um telefonema comum.

A formulação dessas perguntas em forma de quesito está em quesitos para perícia.

A assimetria de prova, que é o problema novo

Repare no desequilíbrio que a biometria de voz cria quando a autenticação é vencida.

A instituição tem um registro objetivo a seu favor: houve correspondência de voz acima do limiar, logo o sistema autenticou corretamente segundo suas próprias regras. É documento, tem número, e é fácil de apresentar.

O cliente tem o quê? A afirmação de que não era ele, e um laudo que, como vimos, não consegue ser categórico sobre a síntese.

É por isso que os quesitos sobre o escore, o limiar e a prova de vivacidade importam mais que a perícia no áudio. Se a instituição adotou camada única de voz, sabendo que voz é clonável, a discussão deixa de ser sobre o áudio e passa a ser sobre a adequação do controle. Se ela adotou múltiplas camadas, tem que mostrar o resultado de cada uma, e o que fez quando alguma delas sinalizou.

Fronteira com a falsa central

Vale separar, porque os dois se parecem e o recorte muda o que se discute.

Na falsa central de atendimento, o fraudador se passa pela instituição para o cliente. Aqui, ele se passa por uma pessoa conhecida do cliente, ou se passa pelo próprio cliente para a instituição.

A diferença prática é de onde o engano acontece: lá, na confiança do cliente na marca; aqui, na confiança de alguém, humano ou máquina, em um timbre.

O enquadramento penal

Não existe tipo penal próprio para clonagem de voz, e não é necessário que exista.

Quando o áudio falso é o meio para obter dinheiro, aplica-se o estelionato por fraude eletrônica do art. 171, §2º-A do Código Penal, incluído pela Lei 14.155/2021, com reclusão de quatro a oito anos e multa, quando a fraude é cometida com uso de informações fornecidas pela vítima ou por terceiro induzido a erro por meio de redes sociais, contatos telefônicos, correio eletrônico fraudulento ou meio análogo.

Dois agravamentos que costumam passar batido:

O §2º-B aumenta a pena de um terço a dois terços se o crime é praticado com uso de servidor mantido fora do território nacional, o que é comum nesse tipo de operação.

O §4º aumenta de um terço ao dobro se o crime é cometido contra pessoa idosa ou vulnerável. E aqui vale o alerta: a clonagem de voz de familiar é desenhada para atingir exatamente quem reconhece a voz e reage pela emoção, o que faz da pessoa idosa alvo preferencial, não incidental.

Sobre regulação específica de inteligência artificial, existe projeto em tramitação, e enquanto não houver lei própria o enquadramento continua sendo o do resultado, que é a fraude.

O que fazer

Se você recebeu o contato:

1. Desligue e ligue de volta pelo número que você já tinha, nunca pelo que apareceu agora. É a única verificação que a clonagem não vence.
2. Combine com a família uma pergunta de verificação, algo que não esteja em rede social. Funciona porque quem clonou a voz não clonou a memória.
3. Desconfie de urgência com sigilo. As duas coisas juntas são a assinatura do golpe, com ou sem IA.
4. Guarde o áudio original, no arquivo, sem reencaminhar. Encaminhar gera arquivo novo e descarta metadado, pelo mesmo motivo explicado em cadeia de custódia.

Se você opera a instituição:

1. Voz sozinha não autentica mais. Se ainda é camada única em algum fluxo, esse fluxo é o problema, e ele costuma estar no atendimento humano e não no aplicativo.
2. Registre escore, limiar e resultado da vivacidade em cada autenticação por voz. No dia da discussão, isso é o que existe.
3. Trate a autenticação por voz como indício somado a comportamento, e não como porta que abre sozinha.
4. Reveja o roteiro do atendente. Boa parte do risco não está no algoritmo, está na pessoa que reconhece a voz do cliente habitual e pula etapa por gentileza.

A frase que resume: durante muito tempo reconhecer a voz de alguém foi prova suficiente de quem estava do outro lado. Deixou de ser, e isso não vale só para o crime. Vale para o processo, para o atendimento e para a conversa em família no domingo.