La voix clonée au téléphone : comment ne pas la repérer

Un vendredi après-midi de juillet, le téléphone a sonné au domicile d’une femme de 80 ans à Kühlungsborn, sur la côte baltique allemande. La personne au bout du fil prétendait être un médecin : sa petite-fille avait causé un grave accident, quelqu’un était décédé, et il fallait verser 30 000 euros de caution, faute de quoi elle irait en prison. Une femme a ensuite pris le relais, se présentant comme la fille de la victime. La police de Rostock a écrit dans son communiqué du 27 juillet, traduit de l’allemand : « Sa voix ressemblait tellement à celle de sa véritable fille que la femme de 80 ans a d’abord cru à cette histoire. » La retraitée est partie chercher l’argent. Sur le chemin de Rostock, elle a croisé son véritable petit-fils, lui a raconté ce qui s’était passé, et celui-ci a appelé la police. L’affaire n’est jamais allée plus loin qu’une tentative.

Personne ne sait si une voix clonée a été utilisée. La police ne le précise pas, et personne n’a vérifié. C’est précisément là que commence le problème dont traite cet article.

Car ce que toutes les rubriques de conseils promettent depuis des années, c’est une réponse à la question « comment aurait-elle pu s’en rendre compte ? ». Six signes circulent à cet effet. Ils semblent plausibles, on les retrouve partout, et la plupart d’entre eux ne sont plus valables.

Les six indices, passés en revue un par un

La source de cette liste est la page consacrée aux deepfakes publiée par le BSI, l’Office fédéral allemand de la sécurité de l’information. C’est le texte que tout le monde n’a cessé de reprendre depuis lors.

Cette page trahit son propre âge. Dans la section consacrée aux contre-mesures, elle fait encore référence au « projet de règlement sur les systèmes d’IA » de la Commission européenne, qui imposerait un étiquetage. Ce projet est devenu loi il y a longtemps. La loi sur l’IA est entrée en vigueur le 1er août 2024, et ses obligations en matière de transparence s’appliquent depuis le 2 août 2026.

Deux éléments retiennent l’attention. Premièrement, deux des critères les plus fréquemment cités ne figurent absolument pas sur la page du BSI. Ni « absence de bruit de fond » ni « absence de bruits respiratoires » n’y apparaissent. Ces critères ont émergé par répétition, sans qu’aucune autorité ni aucune étude ne les ait jamais validés.

Deuxièmement, parmi les quatre qui restent, le son métallique est le plus connu et le moins probant.

Pourquoi le délai a disparu

Le BSI mentionne le « délai perceptible » comme signe et l’explique d’un point de vue technique : un système doit recevoir une partie du contenu avant de pouvoir le convertir. C’était vrai autrefois. Ce n’est plus le cas aujourd’hui.

Pour comprendre pourquoi, il faut distinguer deux types de technologies, toutes deux appelées « voix IA » dans le langage courant.

Avec la synthèse vocale (ou TTS), une personne saisit un texte et le système le lit à voix haute. Avec la conversion vocale (VC), une personne parle et le système se contente de modifier le timbre. L’intonation, l’émotion, la respiration et la capacité à répondre à une question proviennent toutes d’une personne réelle.

Pour un appel au cours duquel la victime pose des questions et pleure, seule la deuxième approche est utilisable. Et elle fonctionne en temps réel. Une mesure réalisée par la société Koe AI sur un ordinateur de bureau standard sans carte graphique attribue à la méthode LLVC une latence de 19,7 millisecondes, à QuickVC de 97,6 et à RVC de 189,8. Une connexion mobile classique affiche une latence comprise entre 100 et 200 millisecondes. Une couche de conversion de 20 millisecondes se perd dans la ligne avant même que quiconque puisse l’entendre.

Reste la question du matériel source. « Trois secondes suffisent » : telle est la phrase que l’on retrouve partout à ce sujet. Elle provient de deux sources qui sont souvent confondues. La plus sérieuse est VALL-E, un système de Microsoft Research datant de janvier 2023 qui effectue une synthèse à partir d’un échantillon de trois secondes, bien que les mesures aient été réalisées sur des enregistrements d’audiobooks et de studio de bonne qualité. La plus populaire est un chiffre tiré d’une étude de mai 2023 réalisée par l’éditeur de logiciels de sécurité McAfee, dont la méthodologie n’a jamais été publiée.

Les résultats des recherches actuelles portant sur la parole spontanée du quotidien semblent plus modérés. Une étude de 2026 menée par le Barcelona Supercomputing Center montre une perte d’environ 31 % de la similitude vocale avec le système F5-TTS lorsque la durée du matériel de référence passe de 7,7 à 5,5 secondes. Avec StyleTTS2, le résultat devient en outre partiellement inintelligible.

La distinction objective est donc la suivante. Quelques secondes suffisent pour obtenir une « similitude reconnaissable ». Pour que la synthèse « tienne la route pendant tout un appel téléphonique », il en faut davantage : d’après les données actuelles, entre dix et soixante secondes de discours continu et clair. L’étude londonienne, dont les clones étaient véritablement impossibles à distinguer des voix réelles, a utilisé environ quatre minutes de matériel de référence par voix.

Le BSI, soit dit en passant, a lui-même tenté l’expérience, et ce détail est plus remarquable que n’importe quel chiffre. Pour une vidéo de démonstration, l’agence a cloné la voix de son propre président de l’époque, Arne Schönbohm. Elle a utilisé environ dix minutes d’enregistrement audio tiré de vidéos accessibles au public qui étaient, selon ses propres termes, « de qualité moyenne seulement ». La phrase prononcée par la fausse voix est la suivante : « Je ne suis pas réel, et pour l’instant, vous pouvez vous en rendre compte. À mesure que la technologie évoluera, cependant, vous aurez beaucoup, beaucoup de mal à le faire. » C’est sur la seconde partie de cette phrase que porte la suite de cet article.

Le problème va dans l'autre sens

En mai 2026, Nicolas M. Müller et Wei Herng Choong, de l’Institut Fraunhofer pour la sécurité appliquée et intégrée, ont publié la plus grande étude d’écoute jamais réalisée sur le sujet à ce jour. 1 768 participants, 35 532 évaluations individuelles, 138 systèmes de synthèse vocale, directement comparables à une étude de référence de 2021.

On aurait pu s’attendre à ce que les gens aient plus de mal à repérer les faux. Ce n’est pas le résultat obtenu.

Concernant les faux, la précision reste pratiquement inchangée, à 71,2 % contre 72,9 %. C’est l’autre aspect qui s’est effondré. Pour les enregistrements réels, elle est passée de 72,7 % à 64,1 %. Les gens ne sont pas devenus moins aptes à reconnaître la synthèse vocale. Ils sont devenus moins aptes à croire aux voix réelles. Les auteurs appellent cela un « glissement du scepticisme ».

Pour un appel téléphonique à 23 h 30, cela revêt une signification dérangeante. Quiconque se résout à écouter plus attentivement la prochaine fois ne fait généralement que repousser le seuil à partir duquel il se méfie de sa propre fille. Le conseil d’écouter attentivement le son aggrave sensiblement la situation, au lieu de l’améliorer.

Une deuxième conclusion de cette même étude vient compléter le tableau. Les systèmes les plus difficiles à détecter n’étaient pas les systèmes de recherche exotiques, mais les services commerciaux et les systèmes basés sur des modèles linguistiques, avec des taux compris entre 61,3 et 65,9 %. Les plus faciles à détecter étaient les méthodes plus anciennes et techniquement plus simples, avec un taux de 75,4 à 76,8 %. Ce que n’importe qui peut réserver avec une carte de crédit semble le plus réel.

Un article de l’université Queen Mary de Londres, publié dans PLOS ONE en septembre 2025, aboutit à la même conclusion. Dans ce cadre, les clones vocaux ont été jugés humains dans 58 % des cas, tandis que les voix réelles l’ont été dans 62 % des cas dans le même contexte. Les chercheurs soulignent explicitement que les clones ne surpassent pas les voix réelles. Leur article s’intitule « Les clones vocaux semblent réalistes, mais pas (encore) hyperréalistes ». Ils ne semblent pas plus réels que les voix réelles. Elles sonnent exactement aussi réelles, et cela suffit amplement.

Un détecteur automatisé utilisé dans l’étude Fraunhofer a affiché un taux de réussite supérieur à 94,5 % dans toutes les conditions. Les machines perçoivent toujours la différence. Les humains, non.

Ce que révèlent les chiffres allemands, et ce qu’ils ne révèlent pas

Le 6 août, l’Office fédéral de police criminelle allemand a publié, à la demande de l’agence de presse dpa, les chiffres issus des statistiques policières sur la criminalité de 2025. Les conclusions vont dans deux sens. Concernant les « appels aux grands-parents » et les « appels de choc », le nombre de cas est passé de 6 658 à 4 798, mais les pertes ont tout de même augmenté. En ce qui concerne les faux policiers, ces deux chiffres ont augmenté, les pertes ayant progressé de deux tiers. Cela indique une diminution du nombre de délits, mais une criminalité plus ciblée, avec des montants individuels plus élevés.

Et voici maintenant la phrase qui importe : les statistiques sur la criminalité ne précisent pas si l’IA était impliquée. Pour l’Allemagne, il n’existe pas un seul chiffre fiable sur le nombre d’appels malveillants passés avec une voix clonée. Quiconque en cite un ne l’a pas mesuré.

Cela n’empêche pas de tels chiffres de circuler. Le chiffre le plus souvent cité, soit un montant total de pertes s’élevant à 10,6 milliards d’euros, provient d’une enquête menée en juin 2025 par la Global Anti-Scam Alliance auprès de 2 000 consommateurs et porte sur toutes les formes de fraude, et non sur la fraude liée à l’IA. Au fil du temps, ce chiffre s’est transformé en une estimation attribuée à l’Office fédéral de police criminelle et à Europol, alors qu’aucune de ces deux agences ne l’a jamais communiquée. Il en va de même pour le demi-million d’appels frauduleux que l’Agence fédérale des réseaux aurait enregistrés en janvier 2026. Ce chiffre provient d’une application d’identification de l’appelant et recense les signalements émanant de sa propre base d’utilisateurs.

Les déclarations des autorités sont en réalité plus prudentes. L’Office fédéral de police criminelle a indiqué à l’agence dpa que simuler de manière convaincante la voix d’un petit-enfant est, selon la traduction de l’allemand, « possible même sans connaissances techniques approfondies, à l’aide de systèmes d’IA accessibles à tous ». Il s’agit là d’une déclaration sur la possibilité d’une telle pratique, et non d’un rapport de cas concret. Sur la page de la police allemande consacrée à la prévention des appels frauduleux, l’intelligence artificielle et le clonage de voix n’apparaissent toujours pas à ce jour.

Un cas récent illustre pourquoi la prudence s’impose. Le 29 avril 2026, la police du Haut-Palatinat a signalé trois escroqueries par « appel de choc » menées à bien en un seul après-midi à Ratisbonne et à Amberg. Les trois conversations se sont déroulées en russe, ciblant délibérément des retraités russophones. Une personne capable de s’exprimer couramment en russe et de réagir avec souplesse aux questions d’une personne âgée de 89 ans est forcément un être humain au bout du fil.

Ce qui aide réellement

Si l’écoute ne fonctionne pas, la seule option qui reste est de changer de stratégie. Tout ce qui est efficace découle de cette seule idée.

Raccrochez et rappelez vous-même. La police allemande l’explique ainsi sur son site de prévention : « Raccrochez immédiatement. Ce n’est pas impoli, cela vous donne le temps de respirer et de rassembler vos idées. » Et : « Contactez la personne qui vous a appelé, ou quelqu’un en qui vous avez confiance, sur un numéro que vous connaissez déjà. » C’est cette dernière partie qui importe. Pas la touche de rappel, mais le numéro figurant dans votre propre répertoire, car les numéros affichés peuvent être falsifiés.

Un mot de passe, ou une question à laquelle seule la personne réelle peut répondre. La police recommande de convenir d’un « mot de passe pour s’identifier au téléphone », et la police du Haut-Palatinat ajoute qu’il doit être facile à retenir et difficile à deviner. Sur sa page consacrée à l’arnaque aux grands-parents, cette même autorité recommande une variante plus sûre : « Posez à votre interlocuteur des questions dont seul le véritable proche ou la véritable connaissance pourrait connaître la réponse. » Un mot de passe peut être oublié sous le coup du choc. Le surnom du chien de la famille datant de 1998, lui, ne peut pas l’être, et aucun modèle linguistique ne peut le deviner, car cette information n’existe nulle part.

Une mise en garde s’impose ici. Les appelants réagissent aux questions par des pleurs, en jouant sur l’urgence ou en vous passant un soi-disant avocat. Se contenter de poser des questions ne suffit pas. La procédure consiste à raccrocher, puis à rappeler.

Modifiez votre inscription dans l’annuaire téléphonique. C’est le conseil le plus efficace et le moins connu. Sur sa page consacrée à l’arnaque aux grands-parents, la police allemande se montre inhabituellement directe (traduction de l’allemand) : « Les fraudeurs utilisent les inscriptions dans l’annuaire pour sélectionner leurs victimes d’arnaques téléphoniques. Les prénoms anciens ou les numéros de téléphone courts leur indiquent qu’une personne âgée se cache derrière l’inscription.» Toute personne souhaitant rester répertoriée devrait faire abréger son prénom. Un formulaire prêt à l’emploi destiné à l’opérateur téléphonique est disponible sur cette même page. Pour les victimes d’escroquerie par téléphone, le changement de numéro est généralement gratuit.

Ne remettez rien à personne et appelez le 110 en cas de doute. Le message de la police est plus concis que n’importe quelle explication : « Ne remettez jamais d’argent ni d’objets de valeur tels que des bijoux à des inconnus, pas même à la police. » Signalez-le même s’il ne s’agissait que d’une tentative. C’est le seul moyen de repérer les schémas récurrents.

La nouvelle obligation d’étiquetage n’apporte ici aucune aide

Les obligations de transparence prévues par la loi sur l’IA s’appliquent depuis le 2 août 2026. Le 5 août, le centre bavarois de conseil aux consommateurs a résumé ce que cela signifie et a cité ce cas précis, traduit de l’allemand : « Cela inclut expressément les voix synthétiques. Toute personne recevant un appel ou un message vocal créé à l’aide d’une voix clonée doit en être informée. »

Formellement, cette obligation incombe à l’appelant, et l’exemption prévue pour un usage purement privé et non professionnel ne s’applique pas à un réseau opérant à des fins commerciales. Dans la pratique, cela ne change rien pour la victime. Personne ne respecte une obligation de divulgation qui irait à l’encontre de l’objectif même du délit. Cette obligation est appliquée sur le plan administratif, avec des amendes pouvant atteindre 15 millions d’euros, à l’encontre d’entreprises disposant d’une adresse et d’un chiffre d’affaires, et non à l’encontre d’appelants anonymes situés à l’étranger. En droit pénal, cela reste une fraude au titre de l’article 263 du Code pénal allemand, exactement comme auparavant.

Tatjana Halm, responsable des questions juridiques et numériques au Centre bavarois de conseil aux consommateurs, le dit elle-même, traduit de l’allemand : « Les nouvelles règles apportent davantage de transparence. Mais les fraudeurs ne respectent pas les règles ; l’absence d’étiquette n’est donc pas une garantie de sécurité. »

C’est cette phrase qui remplace l’ensemble de la liste de contrôle. Il n’y a pas d’étiquette à attendre ni de son à écouter. Il n’y a que le deuxième canal.