什么是 AI 声音克隆？
AI 声音克隆是指用人工智能，从一段录音中重现某个特定人物的声音。你提供一段样本，输入一句文字，系统就会用那个人的声线把这句话读出来，连口音、音调和说话节奏都一并模仿。
这项技术既不新鲜，本身也不违法。有声书旁白会把自己的声音授权给平台使用；客户服务热线会用合成语音读出账户余额；一家香港零售商也可能克隆代言人的声音，让同一段录音以三种语言重新发布，而不必再租录音室。
真正改变的是成本与速度。以往需要录音室和专业技师的工序，现在只需一张消费级显卡、几十元运算费用，而且可以在通话进行中即时生成。就是这一点，把一件制作工具变成了一件诈骗工具。
需要多长的录音才克隆得到你的声音？
比大部分老板想象中短，但比厂商宣传的长。供应商宣称几秒清晰录音便足够；独立测试的说法谨慎一些：极短样本可以做出「认得出是谁」的声音，但要做到情绪自然、能撑过一段长对话，通常需要更长的录音。
在 2026 年一份比较十款工具的评测中，知名商业供应商 Resemble AI 以 25 秒样本完成克隆，而评测者指出，这已是该组工具中要求最短的一款。另一方面，多家安全厂商报告，约三秒录音已足以骗过一个毫无防备的听众。
两个数字可以同时成立，因为它们衡量的并非同一件事。三秒，足以应付一段在嘈杂环境下匆匆交代的二十秒指示；二十五秒，才接近一个能撑过长时间闲聊而不露破绽的水平。
对老板而言，结论并不好听，但很简单。只要你曾经录过公司宣传片、上过一次网上访谈、在行业午餐会上发言而现场有直播，甚至只是向供应商发过一段三十秒的语音消息，你的声音样本已经在外面。
一次针对小公司的声音克隆攻击，实际是怎样运作？
几乎全部都靠「紧急」和「上下级关系」，而不是靠技术。克隆出来的声音只用在一句短指示上，对象是一名资历较浅的同事，而时机选在核实显得失礼或根本做不到的一刻。这种诈骗成功，靠的是付款流程的漏洞，而不是声音有多完美。
设想一家位于观塘的十二人服装贸易公司。老板每月都要往内地工厂走两三趟，习惯用语音消息发指示，而不是打字，因为在车上用手机打中文太慢。
星期五晚上六时四十分，会计同事收到一段语音。那把声音无疑是老板的。一位合作多年的布料供应商更换了银行账户，一笔 156,000 元的货款今晚一定要出，否则星期一无法出柜；新账户资料随后以短信发来；老板正要登机，所以请不要打电话。
这段消息的每一个元素，都是为了移除唯一能挡住它的那一步。星期五夜晚，移除了平时会复核的同事；登机，移除了回电；出柜期限，移除了等到星期一的选项；熟悉的声线，移除了怀疑。
留意骗徒需要什么，又不需要什么。他们需要一段老板的声音样本、一个真实供应商的名字，以及知道这位老板习惯用语音沟通。这三样，从公司网站、一则社交媒体帖文，加上一个曾被盗用的邮箱账户，就凑得齐。他们不需要破解任何系统。
在这里真正有效的防线，成本是零，耗时六十秒：会计同事用自己电话簿里原有的号码致电老板。如果对方没有接听，这笔款项就等。真正换了银行的供应商，星期一同样会收钱；骗徒不会等。
为什么香港会成为目标？
因为这个城市同时具备高额跨境付款、讲究效率与信任的商业文化，以及一条已经高度工业化的本地诈骗产业链。香港警方录得 2025 年共 43,212 宗诈骗案，而诈骗案占全港所有报案罪案的 48.5%。
整体趋势其实正在改善。根据反诈骗协调中心的数字，2025 年案件下跌 2.9%，是 2019 年以来首次回落，金钱损失亦由约 92 亿元减至约 81 亿元，跌幅 11.3%。警方成功介入 4,060 宗案件，拦截约 4.8 亿元款项。
但重点在于手法，而不在于总数。全球最常被引用的深度伪造诈骗案，就发生在香港：2024 年 2 月，一家跨国企业的香港办事处在一次视频会议后损失约 2 亿港元，而会议上除该名财务职员以外的所有参与者，包括财务总监，全部都是合成影像。警方指损失分散于 15 次转账。
其后亦有报道指，另一家英资公司的香港办事处在类似攻击中损失约 400 万港元。后面这个数字，才是小公司要仔细读的一个。2 亿元会上头条；400 万元才是一家中小企真正承受得到的损失规模，而且小到根本不会见报。
关于声音克隆，大家最常误解什么？
四种想法造成了大部分损失。每一种听起来都合理，而每一种都是一家管理良好的公司，最终批出一笔本应被质疑的付款的原因。
误解一：我一定听得出是假的。
在安静的房间、清晰的线路、心里早有防备的情况下，你或许听得出。但攻击不会这样送到你面前。它会在你关店收银的时候，以一段十五秒、线路很差的指示出现。检测厂商报告其最佳模型辨识合成语音的准确率约为 94%，换言之，专为此事而生的机器，每十六次也会漏掉一次。星期五晚上六时四十分、未受训练的一双耳朵，并不是你以为的那道防线。
误解二：这只会发生在大公司。
大企业单次得手金额较高，但同时设有双重授权、资金管理部门和安全团队。一家十二人公司，只要一段语音就能让一个人调动十五万元，是成本更低、通往金钱的路更短的目标。
误解三：这是技术问题，交给 IT 处理就好。
没有任何软件产品，能令一通电话变得不那么有说服力。真正有效的控制全部属于流程：谁有权批款、更改银行账户需要什么证明、以及谁有资格说一句「我稍后回电给你」。这些都是老板的决定，不是 IT 供应商的决定。
误解四：视频通话比电话安全。
2024 年以前确实如此。那宗 2 亿元的案件，正是一次视频会议。即时视频深度伪造比声音难做，但它存在；而在屏幕上看见一张熟悉的面孔，如今能证明的事情，远少于大多数人以为的。
不花钱，怎样保护一家小公司？
靠六条规则，成本是零，今个下午就能写在一页纸上。检测软件确实存在，效果也不算差，但对一家五十人以下的公司来说，回报来自改动审批流程，而不是来自购买工具。
--- 订立回电规则，并且不容例外。任何调动资金、更改银行账户或放货的指示，都必须用你电话簿内原有的号码致电要求者核实，而不是消息里提供的号码。要在所有人面前明确讲一次：任何人花六十秒去核实，永远不会被责怪。
--- 设定金额门槛，超过就要第二人审批。选一个对你公司有意义的数字，例如两万元，超过就要两个人签。这样一来，即使声音克隆得再完美，骗徒也只走完一半路。
--- 把「更改银行账户」当成公司内最高风险的事件。新账户号码一律以致电供应商公司总机核实，绝不使用同一消息内提供的号码，也绝不用回复原邮件的方式确认。
--- 为紧急付款约定一组口头密语。两个普通词语，面对面商定，永不写进邮件或聊天软件。讲不出密语的人，无论声音多像，都拿不到那笔转账。
--- 减少免费样本。你无法把自己的声音从互联网上抹掉，尝试去做只是浪费一个下午。你真正做得到的，是不再让财务同事把语音消息当成付款授权，这一步直接拆掉了声音克隆赖以生存的通道。
--- 把「有人判断错了会怎样」写下来。整份指引里最有用的一句，是说明一名同事暂停付款、事后证明是误会，这位同事做对了。缺了这一句，资历浅的同事宁愿批款，也不愿冒犯老板；而这个本能反应，就是整场攻击的全部。
总成本：一个下午。对比一笔银行没有义务追回的 156,000 元转账。
关于声音克隆的常见问题
单凭听，我分得出真假吗？
有时可以，但不足以作为依赖。可疑的迹象包括：情绪平板、呼吸不自然、读数字时节奏怪异，以及一个抗拒被打断的来电者。这些全部只应视为「要回电核实」的理由，而不是任何一方的证据。
声音克隆在香港违法吗？
克隆声音本身并非罪行，商业上的合法用途亦很常见。用克隆声音骗取金钱属诈骗，冒充他人亦可能触及其他法例。以上属一般资讯而非法律意见，请就你自己的情况征询专业意见。
应该买深度伪造检测软件吗？
大概不是第一步。Pindrop、Reality Defender、Resemble AI 等检测工具，是为每日处理数千通电话的银行、保险公司和客服中心而设。对一家小公司来说，回电规则加第二人审批，可以用零成本挡下同一场攻击。
我们是服务业，没有大额付款，也会受影响吗？
会，只是形式不同。一段克隆声音可以用来放货、更改送货地址、索取客户名单，或要求重设密码。凡是员工因为「老板吩咐」而会去做的事，都在风险范围之内。
我们团队天天用语音消息，是否要停用？
不用。语音留给协调工作，授权则一律禁用语音。用语音讨论送货没有问题；批准付款或更改银行账户，必须是一次以已知号码进行的即时通话。
如果怀疑已经中招，第一件事该做什么？
立即致电银行尝试追回款项，然后报警。香港反诈骗协调中心设有 18222 反诈骗热线，而 2025 年拦截 4.8 亿元的介入机制，以小时计最有效，以日计就未必。
结语
AI 声音克隆并没有创造一种新罪行。它只是拿走了小公司一直默默倚赖、却从未写进任何规则的最后一件证物：熟悉的声音等于身份的证明。这个假设如今一文不值，而正因为它从未被写下来，所以在老板亲自决定改变之前，什么都不会改变。
补救方法既不技术，也不昂贵。一条回电规则、一个第二审批人、一组密语，以及一份「可以暂停」的授权。一个下午的工夫，保住的是一笔足以毁掉你一季业绩的款项。
如果你觉得 AI 一直在带来你没有要求过的威胁，这个反应很合理，但也不完整。凌晨两点替你回复客户咨询的技术，和被指向你会计同事的技术，是同一种技术。理解其中一面，才有能力处理另一面。懂AI，更懂你 UD相伴，AI不冷。
延伸阅读：什么是人机协作（Human in the Loop），以及是否要告诉客户他在跟 AI 对话。
本文由 UD AI 团队审阅，香港，2026 年 8 月。
不确定自己的缺口在哪里？
大部分老板最后发现，真正的风险是一条从未写下来的审批规则，而不是缺了某件产品。UD 陪同香港企业走过 28 年，手把手教你从头理清 AI 如何接触你的业务，再决定哪些控制值得先写进流程。
