Telefondaki taklit ses: bunu nasıl fark edemezsiniz?

Temmuz ayında bir Cuma öğleden sonra, Almanya’nın Baltık kıyısındaki Kühlungsborn’da yaşayan 80 yaşındaki bir kadının evinde telefon çaldı. Arayan kişi bir doktor olduğunu iddia etti: torunu ciddi bir kazaya neden olmuş, bir kişi hayatını kaybetmiş ve 30.000 avroluk kefalet ödenmezse torununun hapse gireceği söylendi. Ardından, kendini kurbanın kızı olarak tanıtan bir kadın görüşmeyi devraldı. Rostock polisi, Almancadan çevrilen 27 Temmuz tarihli açıklamasında şöyle yazdı: “Sesi, gerçek kızının sesine o kadar çok benziyordu ki, 80 yaşındaki kadın başlangıçta bu hikâyeye inandı.” Emekli kadın parayı almaya gitti. Rostock’a giderken gerçek torunuyla karşılaştı, ona olanları anlattı ve torunu polisi aradı. Olay bir girişimden öteye geçmedi.

Klonlanmış bir sesin kullanılıp kullanılmadığı kimse tarafından bilinmiyor. Polis bu konuda bir açıklama yapmıyor ve kimse de bunu kontrol etmedi. İşte bu makalenin ele aldığı sorun tam da buradan başlıyor.

Çünkü her tavsiye köşesi yıllardır “bunu nasıl bilebilirdi?” sorusuna bir cevap vaat ediyor. Bu amaçla altı işaret dolaşıyor. Kulağa makul geliyorlar, her yerde karşımıza çıkıyorlar ve çoğu artık geçerli değil.

Altı işaret, tek tek inceleniyor

Listenin kaynağı, Almanya Federal Bilgi Güvenliği Ofisi (BSI) tarafından yayınlanan deepfake sayfasıdır. O günden beri herkesin kopyaladığı metin budur.

Sayfa, kendi yaşını ele veriyor. Önlemler bölümünde hâlâ, etiketlemeyi zorunlu kılacak olan AB Komisyonu’nun “yapay zeka sistemlerine ilişkin taslak yönetmelik”ine atıfta bulunuluyor. O taslak çok uzun zaman önce kanun haline geldi. Yapay Zeka Yasası 1 Ağustos 2024’te yürürlüğe girdi ve şeffaflık yükümlülükleri 2 Ağustos 2026’dan beri uygulanıyor.

İki husus dikkat çekmektedir. Birincisi, en sık atıfta bulunulan belirtilerden ikisi BSI sayfasında hiç yer almamaktadır. Ne “arka plan gürültüsü yok” ne de “nefes sesleri yok” ifadesi orada bulunmamaktadır. Bu ifadeler, herhangi bir yetkili kurum veya çalışma tarafından test edilmeden, sadece tekrar edilerek ortaya çıkmıştır.

İkincisi, geriye kalan dört belirtiden metalik ses en iyi bilineni ve en zayıf olanıdır.

Gecikme neden ortadan kalktı?

BSI, “fark edilebilir gecikme”yi bir belirti olarak listeler ve bunu teknik olarak şöyle açıklar: Bir sistem, içeriği dönüştürebilmek için önce içeriğin bir kısmını almalıdır. Bu eskiden doğruydu. Artık değil.

Nedenini anlamak için, günlük dilde her ikisi de “AI sesi” olarak adlandırılan iki tasarımı birbirinden ayırmak gerekir.

Metinden sese (TTS) teknolojisinde, bir kişi metni yazar ve sistem bunu seslendirir. Ses dönüştürme (VC) yönteminde ise bir kişi konuşur ve sistem sadece ses rengini değiştirir. Tonlama, duygu, nefes alma ve bir soruya cevap verme yeteneği tamamen gerçek bir kişiden gelir.

Mağdurun sorular sorduğu ve ağladığı bir görüşme için yalnızca ikinci tasarım kullanılabilir. Üstelik bu tasarım gerçek zamanlı olarak çalışır. Koe AI şirketi tarafından grafik kartı olmayan sıradan bir masaüstü CPU üzerinde yapılan bir ölçümde, LLVC yönteminin gecikme süresi 19,7 milisaniye, QuickVC’nin 97,6 milisaniye ve RVC’nin 189,8 milisaniye olduğu ortaya çıkmıştır. Sıradan bir mobil bağlantıda gecikme süresi 100 ila 200 milisaniye arasındadır. 20 milisaniyelik bir dönüştürme katmanı, kimse duyamadan hat içinde kaybolur.

Bu da kaynak materyali konusunu gündeme getirir. “Üç saniye yeterlidir” ifadesi bu konuyla ilgili her yerde karşımıza çıkıyor. Bu ifade, birbiriyle karıştırılan iki kaynaktan geliyor. Ciddi olanı, Ocak 2023’te Microsoft Research tarafından geliştirilen ve üç saniyelik bir örnekten sentezleme yapan VALL-E sistemidir; ancak bu ölçümler, temiz sesli kitap ve stüdyo kayıtları üzerinde yapılmıştır. Daha popüler olanı ise, metodolojisi hiçbir zaman yayınlanmamış olan güvenlik yazılımı satıcısı McAfee’nin Mayıs 2023 tarihli bir çalışmasından alınan bir rakamdır.

Spontane günlük konuşma üzerine yapılan güncel araştırmaların sonuçları daha gerçekçi görünüyor. Barselona Süper Bilgisayar Merkezi’nin 2026 tarihli bir çalışmasına göre, referans materyal 7,7 saniyeden 5,5 saniyeye düştüğünde, F5-TTS sistemi ile konuşmacı benzerliği yaklaşık yüzde 31 oranında azalıyor. StyleTTS2 ile elde edilen çıktı ise ek olarak kısmen anlaşılmaz hale geliyor.

Dolayısıyla doğru ayrım şudur. “Tanınabilir derecede benzerlik” için birkaç saniye yeterlidir. “Bir telefon görüşmesinin tamamı boyunca tutarlı kalması” için ise daha fazlası gerekir; mevcut kanıtlara göre, yaklaşık on ila altmış saniyelik kesintisiz ve net konuşma gereklidir. Klonları gerçek seslerden gerçekten ayırt edilemeyen Londra araştırması, ses başına yaklaşık dört dakikalık referans materyali kullanmıştır.

Bu arada, BSI bunu kendisi denedi ve bu ayrıntı herhangi bir rakamdan daha dikkat çekicidir. Ajans, bir tanıtım videosu için o dönemki başkanı Arne Schönbohm’un sesini klonladı. Kendi ifadesiyle “sadece orta kalitede” olan, halka açık videolardan alınan yaklaşık on dakikalık ses kaydı kullandı. Sahte sesin söylediği cümle şöyledir: “Ben gerçek değilim ve şimdilik bu gerçeği fark edebilirsiniz. Ancak teknoloji olgunlaştıkça, bunu fark etmeniz çok, çok zor hale gelecektir.” Bu cümlenin ikinci yarısı, bu makalenin geri kalanının konusunu oluşturmaktadır.

Durum tam tersi

Mayıs 2026'da, Fraunhofer Uygulamalı ve Entegre Güvenlik Enstitüsü'nden Nicolas M. Müller ve Wei Herng Choong, bu konuyla ilgili bugüne kadarki en kapsamlı dinleme çalışmasını yayınladı. 1.768 katılımcı, 35.532 ayrı değerlendirme, 138 konuşma sentez sistemi; bu çalışma, 2021 tarihli bir temel çalışma ile doğrudan karşılaştırılabilir niteliktedir.

Beklenen sonuç, insanların sahte sesleri ayırt etme becerilerinin kötüleşmiş olmasıydı. Ancak sonuç böyle değil.

Sahte seslerde doğruluk oranı, %72,9’a karşı %71,2 ile neredeyse değişmedi. Düşüş, diğer tarafta yaşandı. Gerçek kayıtlarda doğruluk oranı %72,7’den %64,1’e geriledi. İnsanlar ses sentezini ayırt etme konusunda daha kötü hale gelmediler. Gerçek seslere inanma konusunda daha kötü hale geldiler. Yazarlar buna “şüphecilik kayması” adını veriyorlar.

Gece on bir buçukta gelen bir telefon görüşmesi için bu, rahatsız edici bir anlam ifade ediyor. Bir dahaki sefere daha dikkatli dinlemeye karar veren herkes, çoğunlukla kendi kızına güvenmeme eşiğini kaydırıyor. Sese kulak verme tavsiyesi, durumu daha iyi değil, ölçülebilir şekilde daha kötü hale getiriyor.

Aynı çalışmadan elde edilen ikinci bir bulgu, kontrol listelerini tamamlıyor. Tespit edilmesi en zor olanlar, egzotik araştırma sistemleri değil, yüzde 61,3 ile 65,9 arasında değişen ticari hizmetler ve dil modeline dayalı sistemlerdi. En kolay tespit edilenler ise yüzde 75,4 ile 76,8 arasında bir oranla eski, teknik açıdan daha basit yöntemlerdi. Kredi kartıyla herkesin rezervasyon yapabileceği hizmetler en gerçekçi geliyor.

Eylül 2025’te PLOS ONE dergisinde yayınlanan Londra Queen Mary Üniversitesi’ne ait bir makale de aynı sonuca varıyor. Bu çalışmada ses klonları vakaların yüzde 58’inde insan sesi olarak değerlendirilirken, aynı koşullar altında gerçek sesler yüzde 62 oranında insan sesi olarak algılandı. Araştırmacılar, klonların gerçek sesleri geçemediğini açıkça vurguluyor. Makalelerinin başlığı “Ses klonları gerçekçi geliyor ama (henüz) hipergerçekçi değil”. Gerçek seslerden daha gerçekçi gelmiyorlar. Tam olarak gerçek sesler kadar gerçekçi geliyorlar ve bu da tamamen yeterli.

Fraunhofer çalışmasındaki otomatik algılayıcı, tüm koşullarda yüzde 94,5’in üzerinde bir doğruluk oranını korudu. Makineler hâlâ aradaki farkı duyabiliyor. İnsanlar ise duyamıyor.

Alman istatistiklerinin gösterdiği ve göstermediği şeyler

6 Ağustos'ta Almanya Federal Kriminal Polis Teşkilatı, dpa haber ajansının talebi üzerine 2025 polis suç istatistiklerinden elde edilen rakamları açıkladı. Bulgular iki yönde ilerliyor. Büyükbaba-büyükanne dolandırıcılığı ve şok aramaları vakalarının sayısı 6.658'den 4.798'e düştü, ancak kayıplar yine de arttı. Sahte polis memurları vakalarında ise her iki rakam da artmış, kayıplar üçte iki oranında yükselmiştir. Bu durum, sayıları azalmış ancak daha hedefli ve bireysel olarak daha yüksek meblağlı suçlara işaret etmektedir.

Ve şimdi asıl önemli olan cümle: suç istatistikleri, yapay zekanın (AI) olayda rol oynayıp oynamadığını kaydetmemektedir. Almanya için, klonlanmış sesle kaç tane şok araması yapıldığına dair tek bir güvenilir rakam bile yoktur. Böyle bir rakamdan alıntı yapanlar, bunu kendileri ölçmemiştir.

Bu durum, bu tür rakamların dolaşımını engellememektedir. En çok alıntılanan rakam olan 10,6 milyar avroluk toplam kayıp, Global Anti-Scam Alliance tarafından Haziran 2025’te 2.000 tüketiciyle yapılan bir ankete dayanmaktadır ve bu rakam, yapay zeka dolandırıcılığını değil, tüm dolandırıcılık türlerini kapsamaktadır. Zamanla bu rakam, Federal Kriminal Polis Dairesi ve Europol tarafından yapılan bir tahmine dönüştü; ancak her iki kurum da böyle bir tahminde bulunmadı. Benzer şekilde, Federal Ağ Ajansı’nın Ocak 2026’da kaydettiği iddia edilen yarım milyon dolandırıcılık araması da söz konusu. Bu rakam, bir arayan kimliği uygulamasından geliyor ve uygulamanın kendi kullanıcı tabanından gelen bildirimleri sayıyor.

Yetkililerin gerçekte söyledikleri ise daha temkinli. Federal Ceza Polisi, dpa’ya yaptığı açıklamada, ikna edici bir torun sesini taklit etmenin, Almancadan çevrildiğinde, “genel olarak erişilebilir yapay zeka sistemleri kullanılarak, derin teknik bilgi olmadan bile mümkün” olduğunu belirtti. Bu, olasılıkla ilgili bir açıklamadır, bir vaka raporu değildir. Alman polisinin şok aramalarına ilişkin suç önleme sayfasında, yapay zeka ve ses klonlama bugüne kadar hiç yer almamaktadır.

Yakın zamanda yaşanan bir vaka, neden ihtiyatlı olunması gerektiğini göstermektedir. 29 Nisan 2026’da Yukarı Palatinat polisi, Regensburg ve Amberg’de tek bir öğleden sonra içinde gerçekleşen üç şok arama dolandırıcılığı vakasını bildirdi. Üç görüşme de Rusça olarak gerçekleştirilmiş ve kasıtlı olarak Rusça konuşan emekliler hedef alınmıştı. Rusça’da rahatça konuşan ve 89 yaşındaki bir kişinin sorularına esnek bir şekilde yanıt veren biri, telefondaki kişinin bir insan olduğunu gösterir.

Aslında ne işe yarar

Dinlemek işe yaramazsa, geriye kalan tek seçenek konuyu değiştirmektir. Etkili olan her şey bu tek fikirden kaynaklanır.

Telefonu kapatın ve kendiniz geri arayın. Alman polisi, önleme sitesinde bunu şu şekilde ifade ediyor (Almancadan çevrilmiştir): “Hemen telefonu kapatın. Bu kabalık değildir; size nefes almanız ve düşüncelerinizi toparlamanız için zaman tanır.” Ve: “Arayan kişiyle veya güvendiğiniz biriyle, zaten bildiğiniz bir numaradan iletişime geçin.” Önemli olan son kısımdır. Yeniden arama tuşu değil, kendi adres defterinizdeki numara, çünkü ekranda görünen numaralar sahte olabilir.

Bir şifre kelime ya da sadece gerçek kişinin cevaplayabileceği bir soru. Polis, “telefonda kimlik tespiti için bir şifre kelime” üzerinde anlaşılmasını öneriyor ve Yukarı Palatinat Emniyet Müdürlüğü, bunun hatırlanması kolay ve tahmin edilmesi zor olması gerektiğini ekliyor. Aynı kurum, büyükbaba-büyükanne dolandırıcılığı sayfasında daha sağlam bir yöntemi öneriyor: “Arayan kişiye, yalnızca gerçek akraba veya tanıdığın bilebileceği şeyler hakkında sorular sorun.” Şok anında bir şifre kelime unutulabilir. Ancak 1998’den kalma aile köpeğinin takma adı unutulamaz ve hiçbir dil modeli bunu tahmin edemez, çünkü bu bilgi hiçbir yerde mevcut değildir.

Burada bir uyarıda bulunmak gerekir. Arayanlar sorulara ağlayarak, zaman baskısı uygulayarak ve sözde bir avukata devrederek yanıt verir. Sadece soru sormak yeterli değildir. Sırayla önce telefonu kapatın, sonra geri arayın.

Telefon rehberindeki kaydınızı değiştirin. Bu, en etkili ve en az bilinen tavsiyedir. Alman polisinin “büyükbaba-büyükanne dolandırıcılığı” sayfasında alışılmadık derecede açık sözlüdür (Almancadan çeviri): “Dolandırıcılar, telefon dolandırıcılığı için kurban seçerken telefon rehberindeki kayıtları kullanır. Eski moda ilk isimler veya kısa telefon numaraları, bu kaydın arkasında yaşlı bir kişinin olduğunu onlara gösterir.” Listede kalmak isteyen herkes ilk ismini kısaltmalıdır. Aynı sayfada telefon operatörü için hazır bir form bulunmaktadır. Telefon dolandırıcılığı mağdurları için numara değişikliği genellikle ücretsizdir.

Hiçbir şey vermeyin ve şüphe duyarsanız 110’u arayın. Polisin uyarısı, herhangi bir açıklamadan daha kısadır: “Asla parayı veya mücevher gibi değerli eşyaları yabancılara, hatta polise bile vermeyin.” Sadece bir girişimle kalsaydı bile ihbar edin. Dolandırıcılık kalıplarının tespit edilmesinin tek yolu budur.

Yeni etiketleme yükümlülüğü bu konuda yardımcı olmuyor

AI Yasası’nın şeffaflık yükümlülükleri 2 Ağustos 2026 tarihinden itibaren yürürlüğe girmiştir. 5 Ağustos’ta Bavyera Tüketici Danışma Merkezi bunun ne anlama geldiğini özetledi ve Almanca’dan çevrilen şu örneği verdi: “Bu, sentetik sesleri de açıkça kapsamaktadır. Klonlanmış bir sesle oluşturulmuş bir arama veya sesli mesaj alan herkes, bu durumdan haberdar edilmelidir.”

Resmi olarak bu yükümlülük arayan tarafa aittir ve tamamen özel, mesleki olmayan kullanım için geçerli olan muafiyet, ticari faaliyet gösteren bir çeteyi kapsamaz. Uygulamada ise bu, mağdur için hiçbir şeyi değiştirmez. Suçun amacını ortadan kaldıracak bir bildirim yükümlülüğüne kimse uymaz. Bu yükümlülük, yurtdışındaki anonim arayanlara karşı değil, adresi ve cirosu olan şirketlere karşı, 15 milyon avroya varan para cezalarıyla idari olarak uygulanır. Ceza hukukunda ise, tıpkı eskisi gibi, Alman Ceza Kanunu’nun 263. maddesi kapsamında dolandırıcılık suçu olarak kalır.

Bavyera Tüketici Danışma Merkezi’nin hukuk ve dijital işler sorumlusu Tatjana Halm, bunu kendisi şöyle ifade ediyor (Almanca’dan çevrilmiştir): “Yeni kurallar daha fazla şeffaflık sağlıyor. Ancak dolandırıcılar kurallara uymazlar, bu nedenle eksik bir etiket güvenlik garantisi değildir.”

İşte bu cümle, tüm kontrol listesinin yerini alıyor. Beklenecek bir etiket ya da dinlenecek bir ses yok. Sadece ikinci kanal var.