Deepfake audio: bastano tre secondi di voce e 30 euro per clonare chiunque

Tre secondi di voce. È tutto quello che serve oggi per clonare la voce di chiunque. Aggiungete trenta dollari e avrete un deepfake audio indistinguibile dall'originale, con una corrispondenza vocale dell'85% rispetto alla voce vera. La tecnologia è così accessibile, così economica, che il premier italiano Giorgia Meloni ha deciso di registrare la propria voce presso l'Ufficio dell'Unione europea per la proprietà intellettuale — un tentativo di blindarsi contro i falsi sintetici prima ancora che diventino un problema.

L'intelligenza artificiale generativa ha trasformato il paesaggio del possibile. Da un lato, ha creato strumenti straordinari: l'attore Val Kilmer ha potuto tornare a parlare nel nuovo Top Gun grazie a una voce sintetica che replica le sue sfumature, l'intonazione, il timbro. Dall'altro lato, ha aperto le porte a un nuovo genere di crimine. Un manager della Fideuram è stato vittima di una frode vocale. Le celebrità vedono le loro immagini manipolate senza consenso. E i numeri dicono che il fenomeno sta accelerando in modo allarmante.

Secondo i dati della società di sicurezza McAfee, i deepfake complessivi — video, foto, audio — sono aumentati del 900% in un anno. Ma il dato più inquietante riguarda la clonazione vocale nello specifico: i crimini legati ai deepfake audio sono cresciuti del 1.300%. Nel 2026, gli attacchi sono aumentati del 700% anno su anno. Gli strumenti per creare questi falsi sono ovunque, spesso economici, reperibili anche sul dark web. Kaspersky ha calcolato che il costo è crollato: cinquanta dollari per un deepfake video, trenta per uno audio — circa 400 volte meno rispetto a pochi anni fa.

Criminali e attori malevoli hanno imparato a sfruttare questa tecnologia con precisione chirurgica. Un breve frammento vocale — a volte bastano tre o cinque secondi — è sufficiente per ottenere una corrispondenza vocale dell'85%. Secondo un rapporto di IdentifAI, i deepfake video rappresentano il 45,6% degli attacchi, i media misti il 25,2%, le immagini il 17,4%, e la clonazione vocale il 10,5%. Ma il vero problema è l'intenzione dietro questi falsi. Nel 24,6% dei casi, l'obiettivo è politico. Nel 20,1%, è la frode finanziaria. L'11,3% riguarda contenuti pornografici. Il 9,3% prende di mira le celebrità. Solo il 3,2% è satira.

Hollywood ha iniziato a organizzarsi. Matthew McConaughey ha brevettato la propria immagine per difendersi dall'uso improprio dell'intelligenza artificiale. Cate Blanchett e George Clooney, insieme ad altre star, hanno lanciato un registro pubblico gratuito dove gli artisti possono dare il consenso preventivo all'uso della loro voce e della loro immagine per scopi creativi. È una difesa, ma fragile.

Il vero problema è che la maggior parte delle persone non sa riconoscere un deepfake audio. Secondo i dati di security.org, il 70% degli intervistati ha ammesso di non essere sicuro di poter distinguere una voce reale da una clonata. E i sistemi di rilevamento automatizzato — quelli più avanzati — perdono il 45-50% della loro precisione quando si confrontano con deepfake reali, al di fuori delle condizioni controllate di laboratorio. È la lacuna tra la teoria e la pratica, tra quello che funziona nei test e quello che funziona nel mondo.

L'Itu, l'Unione internazionale delle telecomunicazioni delle Nazioni Unite, ha lanciato un appello alle aziende tecnologiche: usate strumenti avanzati per rilevare ed eliminare la disinformazione e i contenuti deepfake. Il rischio è duplice: interferenze elettorali su larga scala e frodi finanziarie. Non è una minaccia teorica. È già qui. E il tempo per agire si sta restringendo.