aigeek編集部
「ママ……」——電話の向こうで、娘が泣いていました。
2023年1月、米アリゾナ州。ジェニファー・デステファノさんが取った見知らぬ番号からの電話は、15歳の娘の泣き声から始まりました。すぐに男が電話を替わり、こう告げます。娘を預かっている。身代金は100万ドル——。
娘は無事でした。そのとき父親とスキーの遠征に出かけていて、誘拐など起きていなかったのです。数分後には夫を通じて本人の無事が確認され、金銭被害はありませんでした。それでもデステファノさんは同年6月13日、米上院司法委員会の公聴会でこう証言しています。「完全に娘の声でした。抑揚も、泣き方も」。
短い音声サンプルがあれば、AIは本人そっくりの声を合成できます。研究レベルでは、わずか3秒で（この数字の出どころは後で正確に書きます）。この記事では、実際に起きた事件・公的機関の警告・査読研究を裏取りして、1つの結論に向かいます。——声は、もう本人確認になりません。そのうえで、今日からできる守り方まで書きます。
泣き声まで、娘だった
デステファノさんの証言によれば、電話の男は当初100万ドルを要求し、「そんな金額は無理だ」と答えると5万ドルに減額。現金を持ってバンに乗るよう指示しました。典型的な「バーチャル誘拐」詐欺——実際には誘拐していないのに、家族の声で誘拐を偽装する手口——に、AIによる声の複製が組み合わされたとみられています。
正直に書いておくべきことがあります。犯人は特定されておらず、通話の録音も残っていないため、実際にAIが使われたことの技術的な確証はありません。確かなのは、15歳の娘を育てた母親が「completely her voice（完全に娘の声）」と議会で証言したこと、そして警察がこの電話を当初「いたずら電話」として処理したことです。
この事件が象徴的なのは、金銭被害がゼロでも議会が動いたからです。「聞き間違いようのない家族の声」が、本人であることの保証にならなくなった——その一点が、従来の詐欺と決定的に違います。
会社の中でも、声は破られている
家族だけではありません。むしろ金額が大きいのは企業です。
2019年3月、英国のエナジー企業のCEOが、ドイツにある親会社のCEOを名乗る電話を受けました。「1時間以内に」ハンガリーのサプライヤーへ22万ユーロ（当時約24.3万ドル）を送金するよう指示され、実行してしまいます。ウォール・ストリート・ジャーナルの報道（2019年8月）によれば、被害者は上司特有の「かすかなドイツ語訛りと、声のメロディ」まで認識したと主張しています。AI音声が使われたとされるのは保険会社の調査によるもので、ここでも録音は残っていません。なお犯人は2回目・3回目の送金も要求しましたが、このときはさすがに不審に思われ、失敗しています。
さらに大きいのは2020年初めの事件です。Forbesが入手したUAE（アラブ首長国連邦）の裁判資料によると、香港にある日本企業の支店長が、聞き覚えのある親会社役員の声の電話を受け、企業買収の名目で最大3,500万ドルの送金を承認してしまいました。電話だけでなく、弁護士を名乗るメールも同時に届く二段構え。UAE当局はこれを「ディープボイス」技術による声の複製と認定し、少なくとも17人が関与、資金は世界中の口座に分散したとみています。
3つの事件を並べると、手口の骨格は同じです。本物そっくりの声＋緊急性の演出。「1時間以内に送金しろ」「娘を預かっている」「買収が今日動く」。時間で追い込んで、確認という当たり前の行動を封じる。声はドアを開ける鍵で、急かしはドアを閉めさせない足なのです。
「たった3秒」は、どこまで本当か
「数秒の声でクローンが作れる」という言い回しをよく見かけます。どこまで本当なのか、出どころを3つに分けて整理します。
研究では3秒。Microsoftの研究チームが2023年1月に発表した音声合成モデル「VALL-E」は、初めて聞く話者の3秒の録音から、その人の声で任意の文章を読み上げられると報告しました。ただしこれは大量の音声データで事前学習した研究デモの条件で、モデル自体は悪用リスクを理由に公開されていません。
OpenAIは15秒——そして公開をやめた。OpenAIは2024年3月、15秒の音声サンプルから声を再現する「Voice Engine」を公式ブログで発表しました。注目すべきは、この技術を一般公開しなかったことです。悪用リスクが大きすぎるという理由で、ごく限られたパートナーへの提供にとどめました。作った本人が「これは危ない」と判断した、という事実そのものが、脅威の水準を物語っています。
誰でも使えるサービスは30秒〜2分。一般に提供されている音声合成サービスの代表格ElevenLabsは、公式ドキュメントで「即席の声の複製には1〜2分の音声を推奨、30秒程度でも良好な結果が出る」としています。つまり現実の脅威水準は「3秒」ではなく「30秒〜2分」。ですが、SNSに上げた動画1本、留守番電話の応答メッセージ、インタビュー音声——1分の声は、ほとんどの人がすでにネット上に置いています。
ちなみにセキュリティ企業McAfeeは自社調査（2023年）で「3秒の音声で約85%の一致が得られた」と主張していますが、85%という一致度の測定方法は公開されていません。「3秒で誰でも」という見出しの多くはこの種の数字の独り歩きです。秒数を語るときは、誰がどの条件で言った数字かを確かめる必要があります——この記事のタイトルの「3秒」は、Microsoftの研究（VALL-E）の数字です。
なぜ、見抜けないのか
「自分なら気づく」と思った方にこそ、この節を読んでほしいのです。
ユニバーシティ・カレッジ・ロンドン（UCL）の研究チームが2023年、529人の被験者に本物の音声と合成音声を聞き分けさせる実験を行いました（PLOS ONE掲載・査読あり）。合成音声を正しく見抜けたのは73%。つまり4回に1回以上は聞き逃します。英語でも中国語でも結果はほぼ同じで、判別のコツを訓練しても改善はわずかでした。しかも研究チーム自身が指摘している通り、実験に使われたのは当時としても比較的古い方式の合成音声です。最新の技術では、さらに難しくなっている可能性があります。
そのうえ、詐欺の現場は静かな実験室ではなく電話です。従来型の電話回線は約300〜3,400ヘルツの帯域しか伝えません（国際標準ITU-T G.711などの仕様）。声の個人性が乗る高い成分・低い成分は、最初から削られて届いています。「電話の声」は誰のものであれ劣化しているので、合成音声のわずかな不自然さは、電話品質の粗さに紛れてしまうのです。
そして最後のひと押しが、先ほどの緊急性です。泣き叫ぶ娘の声を聞いた直後の母親に、冷静な音声鑑定などできるはずがありません。「注意深く聞けば分かる」という前提が、科学的にも状況的にも成立しない——これがこの問題の核心です。ちなみに「本人かどうかの判断が、実は思い込みに支えられていた」という構図は人間だけの話ではなく、AI自身も「誰の指示か」を文体という思い込みで判断していたことが研究で示されています。
今日からできる守り方
聞き分けられないなら、勝負の土俵を変えるしかありません。FTC（米連邦取引委員会）・FBI・警察庁が公式に勧めている対策は、どれも「声の真贋を聞き分ける」対策ではないことに注目してください。
- 家族・職場で「合言葉」を決めておく——緊急の電話が本物なら答えられる質問や合言葉。FBIが公式に推奨しています（IC3・2024年12月警告）。
- 声だけで本人確認しない。一旦切って、自分が知っている番号にかけ直す——かかってきた電話の中で確認を完結させない（FTC・2023年3月警告）。
- 本人につながらなければ、他の家族・同僚経由で安否確認する（FTC）。
- 電信送金・暗号資産・ギフトカードでの支払い要求は、それ自体を詐欺のサインとして扱う——取り戻しにくい手段の指定は定番の手口です（FTC）。
- 自分の声・動画のネット公開を最小限にする——クローンの素材を減らす（FBI）。
- （法人）送金指示は電話・メールだけで完結させず、別経路＋複数人で確認する——警察庁が法人向け「ニセ社長詐欺」注意喚起（2026年2月）で勧めている手順です。
合言葉は、今晩の夕食の席で決められます。コストはゼロ。それでいて、声の複製がどれだけ精巧になっても破られない、家族のための多要素認証です。
規制する側も、人間の耳をあてにしていません。FTCは2023年、音声クローンの悪用を検知・防止する技術を賞金つきで公募し（Voice Cloning Challenge）、2024年4月に合成音声検知AIなど4件を勝者として発表しました。OpenAIがVoice Engineを一般公開しなかった判断も含め、「作る側」と「取り締まる側」の両方が、この技術を人間の注意力では防げないものとして扱い始めています。
わかっていないこと
正直に書きます。まず、この記事で挙げた3つの事件はいずれも、AIが使われたことの技術的な確証（録音や検出結果）が公開されていません。裁判資料・保険会社の調査・本人の証言という強い状況証拠があるだけです。ただし、これは弱点というより手口の特徴です。電話の声は録音が残らないことが多く、あとから検証できない——だからこそ、この手口が選ばれるのだと考えられます。
被害の全体像もわかっていません。FTCの統計では、なりすまし詐欺全体の報告被害額は2024年に29.5億ドル、2025年に35億ドルに達しています。ただしこれは電話・メール・SNSを含むなりすまし詐欺全体の数字で、このうちAI音声によるものがどれだけかを切り分けた公的統計は、まだ存在しません。
日本国内では、金額や立件まで確認できるAI音声詐欺の確定事例は、公的な報告としてはまだ確認できませんでした（2026年8月時点）。警察庁は2026年2月に経営者なりすまし（ニセ社長詐欺）への注意喚起を出していますが、これはメール・SNS型で、AI音声の使用は明記されていません。「日本ではまだ起きていない」のではなく、「日本では確認する仕組みがまだ弱い」と読むべきだと私は考えます。海外で成立した手口が言語の壁だけで止まった例は、ほとんどないからです。なお規制の側では、EUがAI生成コンテンツの表示義務（AI法第50条）を2026年8月に発効させており、「AIが作ったものにはラベルを」という方向は世界的に固まりつつあります。
AIをめぐる事故と攻撃は、この1年で形を変え続けています。文書を開いただけでAIが乗っ取られるワームも、攻撃されていないのにデータベースを消したAIエージェントも報じました。また続編として、AIブラウザが偽ショップの「お客」になった実験の深掘りも公開しています。その中でボイスクローン詐欺が特別なのは、狙われるのがシステムではなく、家族の声を信じるという、人間のいちばん自然な反応だという点です。
声は、もう本人確認になりません。でも、それを知っていて、かけ直す番号と合言葉さえあれば、この詐欺は成立しない。今日、家族に話してみてください。
動画で見る（約6分）
この記事の内容を、ずんだもんと「声を作れる技術」の当事者AIロボの掛け合いで解説した動画です。実在の事件から、なぜ見抜けないのか（73%・電話の音の仕組み）、そして家族を守る合言葉まで、事実だけでやさしく追いかけます。
【編集メモ】本記事の事件記述は、米上院司法委員会公聴会のデステファノ氏証言（2023年6月13日・一次資料）、ウォール・ストリート・ジャーナル（2019年8月30日）、Forbes（2021年10月14日・UAE裁判資料に基づく報道）によります。技術の数値はVALL-E論文（arXiv:2301.02111）、OpenAI公式ブログ（2024年3月29日）、ElevenLabs公式ドキュメント、UCLの査読研究（PLOS ONE・2023年8月2日）、公的警告はFTC（2023年3月20日）・FBI IC3（PSA I-120324・2024年12月3日）・警察庁（2026年2月13日）の公表資料を直接確認しました。各事件のAI使用に技術的確証がない点は本文に明記の通りです。執筆時点：2026年8月6日。
HALBo
