Xác thực bằng giọng nói là việc máy so đặc trưng âm thanh trong giọng bạn với mẫu giọng đã lưu để xác nhận đúng người, nhưng từ khi AI có thể nhái giọng từ một đoạn ghi âm ngắn, giọng nói không còn đủ tin cậy để dùng một mình cho việc liên quan tới tiền. Nó vẫn có ích như một lớp phụ, khi đi kèm thiết bị đã đăng ký, mã PIN hay câu hỏi chỉ chủ tài khoản biết.
Bài này giải thích máy "nghe" giọng bạn bằng cách nào, khác biệt giữa nhận dạng giọng nói và nhận dạng người nói, những gì làm hệ thống sai, và cách bạn tự bảo vệ khi một dịch vụ mời đăng ký "giọng nói là mật khẩu". Phần mạo danh bằng giọng giả để lừa người thân có bài riêng ở danh mục giả mạo danh tính của trang.
Nhận dạng lời nói và nhận dạng người nói là hai việc khác nhau
Nhận dạng lời nói. Máy chuyển âm thanh thành chữ: bạn nói "chuyển cho mẹ năm trăm nghìn", máy hiểu nội dung câu. Trợ lý ảo, gõ văn bản bằng giọng, phụ đề tự động đều thuộc loại này. Nó không quan tâm ai đang nói.
Nhận dạng người nói. Máy không cần hiểu bạn nói gì, mà xác định giọng đó thuộc về ai. Đây mới là sinh trắc giọng nói. Một số hệ thống dùng câu cố định, ví dụ bạn đọc một câu đã chọn khi đăng ký; một số cho nói tự do và nhận giọng trong lúc trò chuyện bình thường với tổng đài viên.
Vì sao dễ nhầm hai thứ này. Nhiều sản phẩm làm cả hai cùng lúc, nên người dùng nghĩ trợ lý ảo trong nhà "biết" mình là ai. Thực ra phần lớn trợ lý ảo gia đình chỉ nhận diện giọng ở mức phân biệt các thành viên để cá nhân hoá, không đủ chặt để làm xác thực bảo mật.
Điều này quan trọng với bạn ra sao. Khi một dịch vụ quảng bá rằng hệ thống nhận ra giọng bạn, hãy hỏi lại: nhận ra để gợi ý nhạc, hay để cho phép giao dịch. Hai mục đích cần mức an toàn khác xa nhau.
Máy rút đặc trưng từ giọng nói như thế nào
Giọng mỗi người được tạo bởi dây thanh, khoang họng, khoang miệng, khoang mũi và thói quen phát âm. Những thứ đó tạo ra một dấu vết riêng trên phổ âm thanh: cao độ trung bình, cách năng lượng phân bố ở các dải tần, âm sắc, nhịp nói. Máy thu đoạn ghi âm, cắt thành những khung rất ngắn, tính phổ của từng khung, rồi đưa chuỗi phổ đó qua một mạng nơ-ron.
Tương tự nhận diện khuôn mặt, mạng nơ-ron được huấn luyện để biến một đoạn giọng thành một vector, sao cho các đoạn giọng của cùng một người nằm gần nhau dù nội dung câu nói khác hẳn. Khi bạn gọi đến, hệ thống tính vector từ vài giây đầu cuộc gọi và so với vector đã lưu. Đoạn nói càng dài, càng ít tạp âm, kết quả càng chắc.
Hệ thống tốt còn kiểm tra đoạn âm thanh có dấu hiệu bị phát lại từ loa, bị ghép nối, hay bị tạo bởi máy tổng hợp giọng không. Đây là bài toán khó và liên tục phải cập nhật, vì công cụ tạo giọng giả cũng tiến bộ rất nhanh. Các cuộc thi học thuật về chống giả giọng nói được tổ chức định kỳ, và kết quả cho thấy chưa có bộ phát hiện nào bắt được mọi kiểu giả.
Những gì làm xác thực giọng nói sai
Giọng nói là loại sinh trắc dao động nhiều nhất theo hoàn cảnh. Bảng dưới liệt kê các yếu tố hay gặp và mức ảnh hưởng.
| Yếu tố | Ảnh hưởng | Ghi chú |
|---|---|---|
| Cảm cúm, viêm họng, khàn tiếng | Thay đổi âm sắc, có thể bị từ chối | Chọn cách xác thực khác trong thời gian ốm |
| Môi trường ồn: chợ, đường phố, quán cà phê | Tạp âm lẫn vào đặc trưng, giảm điểm giống nhau | Tìm chỗ yên tĩnh trước khi gọi tổng đài có xác thực giọng |
| Thiết bị khác: tai nghe, loa ngoài, điện thoại khác | Micro khác nhau làm phổ âm thanh khác nhau | Nhiều hệ thống đã học bù trừ, nhưng không hoàn toàn |
| Cảm xúc: hồi hộp, giận, mệt | Thay đổi cao độ, tốc độ nói | Nói chậm rãi, giọng bình thường |
| Tuổi tác qua nhiều năm | Giọng trầm hoặc yếu dần | Nên đăng ký lại mẫu giọng sau vài năm |
| Giọng nhái bằng AI | Có thể đạt điểm giống nhau cao nếu kẻ gian có đủ ghi âm | Là lý do chính không nên dùng giọng nói làm yếu tố duy nhất |
Điểm đáng chú ý là hai loại lỗi đi theo hai hướng ngược nhau: ốm, ồn thì chính chủ bị từ chối, còn giọng giả thì người lạ có thể được chấp nhận. Siết ngưỡng để chặn giọng giả sẽ làm chính chủ bị từ chối nhiều hơn, nên giải pháp đúng là thêm lớp xác thực khác chứ không chỉ siết ngưỡng.
Vì sao giọng nhái bằng AI làm lung lay cả phương pháp
Công cụ tổng hợp giọng nói hiện nay có thể học giọng một người từ đoạn ghi âm ngắn rồi đọc bất kỳ câu nào bằng giọng đó. Nguyên liệu nằm khắp nơi: video bán hàng trực tiếp, bài giảng, tin nhắn thoại, đoạn phỏng vấn, kể cả cuộc gọi bị ghi âm lén. Người làm nghề nói trước đám đông, như giáo viên, người bán hàng trực tuyến, người quản lý hay phát biểu, có rất nhiều mẫu giọng công khai.
Với sinh trắc khuôn mặt, kẻ gian còn phải vượt qua camera đo chiều sâu và lớp kiểm tra người thật trên thiết bị của nạn nhân. Với giọng nói qua đường điện thoại, kênh truyền vốn đã nén và nhiễu, nên dấu vết của giọng tổng hợp càng khó phát hiện. Đó là lý do giới an ninh mạng ngày càng thận trọng với việc dùng giọng nói làm cách xác thực chính, và nhiều chuyên gia khuyến cáo không dựa vào giọng nói một mình cho bất cứ việc gì dính đến tiền.
Điều này không có nghĩa sinh trắc giọng nói vô dụng. Nó vẫn tiện để nhận diện nhanh khách quen, để cảnh báo khi giọng không khớp, hay để kết hợp với dữ liệu khác như số điện thoại đã đăng ký và lịch sử giao dịch. Vấn đề chỉ nằm ở chỗ dùng nó như chìa khoá duy nhất.
Khi nào sinh trắc giọng nói vẫn là lựa chọn hợp lý
Người khiếm thị và người khó dùng màn hình. Với người không nhìn rõ màn hình hoặc run tay, nói vẫn dễ hơn nhập mã hay căn khuôn mặt vào khung. Giọng nói kết hợp với thiết bị riêng đã đăng ký và giới hạn giao dịch thấp có thể là cách cân bằng giữa tiện lợi và an toàn cho nhóm này.
Nhận diện khách quen ở tổng đài, không cho phép giao dịch. Tổng đài viên được gợi ý trước rằng người gọi nhiều khả năng là ai, giúp rút ngắn thời gian hỏi han. Quyền đổi thông tin hay chuyển tiền vẫn cần thêm bước xác thực khác. Dùng giọng nói để phục vụ nhanh hơn chứ không để mở khoá.
Tín hiệu cảnh báo. Khi giọng người gọi khác xa mẫu đã lưu của chủ tài khoản, hệ thống có thể bật cờ để tổng đài viên hỏi kỹ hơn. Ở vai trò này, giọng nói giúp phát hiện người lạ chứ không phải chứng minh người quen.
Trong nhà, cho việc không dính tiền. Trợ lý ảo phân biệt giọng các thành viên để mở đúng danh sách nhạc, đọc đúng lịch hẹn là tiện ích vô hại. Chỉ cần tắt mua hàng bằng giọng nói, hoặc đặt mã xác nhận cho việc đó.
Nếu một dịch vụ mời bạn đăng ký giọng nói
Hãy đi qua các bước dưới đây trước khi đồng ý. Chúng giúp bạn quyết định tỉnh táo thay vì bấm đồng ý cho xong.
- Đọc phần điều khoản về giọng nói: giọng được dùng để làm gì, lưu ở đâu, lưu bao lâu, có chia sẻ cho đối tác không.
- Hỏi rõ: giọng nói là yếu tố duy nhất hay chỉ là một lớp thêm. Nếu chỉ cần giọng là thực hiện được giao dịch, hãy cân nhắc từ chối.
- Kiểm xem có lựa chọn không dùng giọng nói không, và từ chối có làm mất quyền dùng dịch vụ không.
- Nếu đồng ý, ghi lại ngày đăng ký và cách rút lại đồng ý, xoá mẫu giọng khi không dùng nữa.
- Bật thêm các lớp khác dịch vụ cho phép: mã PIN khi gọi tổng đài, giới hạn giao dịch qua điện thoại, thông báo khi có thay đổi thông tin.
- Giảm lượng giọng nói công khai của mình nếu không cần thiết, nhất là tin nhắn thoại gửi cho người lạ.
Quyền rút đồng ý và yêu cầu xoá dữ liệu sinh trắc là quyền của bạn theo pháp luật về bảo vệ dữ liệu cá nhân. Chi tiết về quyền này có bài riêng ở danh mục quyền với dữ liệu định danh của trang.
Dùng AI hỗ trợ một cách an toàn với giọng nói
Có những việc AI giúp bạn làm tốt hơn trong chuyện giọng nói, và có những việc tuyệt đối không nên làm.
- Nên: nhờ chatbot đọc điều khoản dịch vụ về giọng nói và tóm tắt các điểm về lưu trữ, chia sẻ, xoá. Câu lệnh mẫu: "Tóm tắt đoạn điều khoản sau thành năm ý: dữ liệu giọng nói được dùng cho mục đích nào, lưu bao lâu, có chuyển cho bên thứ ba không, người dùng xoá bằng cách nào, có điều khoản nào bất lợi cho người dùng."
- Nên: nhờ chatbot soạn lời dặn cha mẹ về chuyện có người gọi bằng giọng giống con cái để xin tiền, kèm một câu hỏi bí mật cả nhà thống nhất.
- Không nên: tải đoạn ghi âm giọng của bạn hoặc người thân lên công cụ AI lạ để "thử nhái giọng xem có giống không". Bạn đang tự trao nguyên liệu tạo giọng giả cho một bên không rõ cách lưu trữ.
- Không nên: dùng tính năng tạo giọng của chính mình trên các ứng dụng giải trí nếu không đọc kỹ quyền mà ứng dụng được cấp với mẫu giọng đó.
Tổ chức của bạn nếu đang cân nhắc dùng xác thực giọng nói cho tổng đài nên làm việc với bộ phận an ninh thông tin, đánh giá rủi ro giọng giả trước và đặt giới hạn giao dịch phù hợp, thay vì chỉ nhìn vào sự tiện lợi.
Câu hỏi thường gặp
Ngân hàng có nhận diện giọng nói khi bạn gọi tổng đài không?
Một số tổ chức trên thế giới có dùng, nhưng thường kèm thêm các lớp khác. Bạn nên hỏi thẳng tổng đài của ngân hàng mình về cách họ xác thực khách gọi đến, thay vì tự đoán, và không dựa vào việc "họ nhận ra giọng".
Khàn tiếng có làm mất tài khoản không?
Không. Khi xác thực giọng thất bại, hệ thống sẽ chuyển sang cách xác thực khác như câu hỏi bảo mật, mã gửi về thiết bị, hoặc đề nghị bạn ra quầy. Giọng nói chỉ là một trong nhiều đường vào.
Kẻ gian cần bao nhiêu giây ghi âm để nhái giọng?
Không có con số cố định, vì phụ thuộc vào công cụ và chất lượng đoạn ghi âm. Một số công cụ được giới thiệu là chỉ cần vài giây; càng nhiều ghi âm sạch, giọng giả càng giống. Nên coi mọi đoạn giọng công khai đều có thể bị dùng.
Trợ lý ảo trong nhà có phải là xác thực sinh trắc giọng nói không?
Thường chỉ ở mức phân biệt thành viên trong nhà để cá nhân hoá lịch, nhạc, nhắc việc. Mức độ này không đủ chặt để làm xác thực bảo mật, nên không nên cho phép mua hàng hay thanh toán chỉ bằng giọng nói.
Giọng nói có được coi là dữ liệu sinh trắc nhạy cảm không?
Khi giọng nói được xử lý để nhận diện con người cụ thể, nó là dữ liệu sinh trắc và thuộc nhóm dữ liệu cá nhân nhạy cảm theo pháp luật Việt Nam. Bên thu thập phải có sự đồng ý và biện pháp bảo vệ phù hợp.
Có cách nào chống người khác nhái giọng mình không?
Không có cách chặn hoàn toàn, nhưng bạn giảm được rủi ro bằng cách bớt đăng ghi âm giọng công khai, không trả lời cuộc gọi lạ bằng những câu dài, và thống nhất với người thân một câu hỏi bí mật để xác minh khi có cuộc gọi lạ xin tiền.