Comment la fraude par voix synthétique est devenue le cybercrime à la croissance la plus rapide, et ce qu’il faut pour y répondre.
En janvier 2024, un employé de la finance à Hong Kong a participé à un appel vidéo avec le directeur financier de son entreprise et plusieurs collègues. Tout avait l’air normal. Les voix, les visages, les intonations. Il a suivi les instructions et viré 25 millions de dollars vers cinq comptes bancaires. Chaque personne sur cet appel était générée par intelligence artificielle. Le directeur financier, les collègues, les voix. Aucun d’eux n’existait.
L’histoire a fait le tour des médias. Ce qui n’a pas fait la une : cela arrive tous les jours désormais, à plus petite échelle, dans des dizaines de pays. Le rapport EU-SOCTA 2025 d’Europol a identifié la voix générée par IA comme un « facilitateur critique » des attaques d’ingénierie sociale. L’agence nationale britannique du crime a été sans appel fin 2024 : les médias synthétiques ne sont plus une menace future. C’est opérationnel.
Trois secondes. C’est tout ce qu’il faut.
Des outils comme ElevenLabs, Resemble AI et une douzaine d’alternatives open-source peuvent cloner une voix humaine à partir de quelques secondes d’audio. Pas une imitation grossière. Une réplique qui porte vos intonations, votre rythme, votre façon d’hésiter avant de finir une phrase. Les auditeurs ordinaires ne perçoivent aucune différence. Dans des tests contrôlés, même les phonéticiens formés ont peiné à les distinguer.
Une étude de 2023 de l’University College London a demandé à des participants d’identifier des voix générées par IA dans plusieurs langues. Le taux de détection est resté autour de 73 %. Un faux sur quatre est passé inaperçu. Et ces personnes savaient qu’elles étaient testées. Dans un véritable appel téléphonique, avec du bruit de fond et la pression du moment, les chances s’effondrent.
Ce n’est pas un problème de laboratoire. En 2019, des criminels ont cloné la voix d’un PDG pour autoriser un virement de 243 000 dollars. L’employé qui a pris l’appel a affirmé que cela ressemblait exactement à son patron. Même léger accent allemand, même cadence. Il n’avait aucune raison de douter. En 2025, le FBI suivait des cas où des escrocs clonaient les voix de proches pour extorquer des rançons à des parents pris de panique. La voix dit « Maman, j’ai eu un accident. » Cela sonne vrai parce qu’acoustiquement, cela l’est presque.
Pourquoi les défenses classiques échouent
La plupart des organisations utilisent encore la voix comme facteur d’authentification. « Veuillez prononcer votre phrase de passe. » Banques, assureurs, services publics. L’hypothèse a toujours été que la voix est difficile à contrefaire. Cela a cessé d’être vrai vers 2022. L’infrastructure n’a pas suivi.
La correspondance d’empreinte vocale cartographie les caractéristiques vocales d’un locuteur par rapport à un modèle de référence. Ce système a été conçu pour un monde où la menace était un imitateur humain. La synthèse neuronale brise entièrement ce paradigme. Le clone ne se rapproche pas de l’empreinte vocale. Il la reproduit, caractéristiques spectrales comprises. Les scores de correspondance reviennent élevés parce que le système n’a jamais été conçu pour poser la bonne question : est-ce un larynx humain, ou un vocodeur neuronal ?
Les mesures anti-usurpation classiques ont neutralisé la première génération de voix synthétiques sans difficulté. Les premiers systèmes de synthèse laissaient des artefacts manifestes. Résonance métallique, pauses artificielles, discontinuités spectrales perceptibles pour une oreille attentive. Un classifieur élémentaire les détectait de manière fiable. Cette époque est révolue. Les derniers vocodeurs neuronaux produisent une parole spectralement lisse, temporellement cohérente et perceptuellement naturelle. Les artefacts n’ont pas disparu. Ils ont migré vers des domaines inaccessibles à l’oreille humaine.
La course aux armements
La série de challenges ASVspoof, organisée par l’International Speech Communication Association depuis 2015, constitue le benchmark de référence en recherche anti-usurpation vocale. Chaque édition raconte la même histoire : la qualité des attaques progresse plus vite que la qualité de la détection. ASVspoof 5 a démontré que les meilleurs systèmes de synthèse trompent les détecteurs de base plus de 90 % du temps. Les meilleurs systèmes de détection les rattrapent encore, mais l’écart se resserre à chaque cycle.
Qu’est-ce qui rend la voix différente des deepfakes d’image ou de vidéo ? Une photo truquée peut être examinée. On zoome, on cherche les incohérences au pixel près, on la passe dans des outils d’analyse à son rythme. Une voix arrive en temps réel pendant un appel, et l’on décide de lui accorder sa confiance sur l’instant. Il n’existe pas de « zoom et amélioration » pour l’audio dans une conversation en direct. Le temps que le doute s’installe, le virement est déjà passé.
Le coût de production d’un clone convaincant s’est effondré. En 2020, il fallait une puissance de calcul sérieuse et une expertise pointue. Aujourd’hui, un adolescent avec un ordinateur portable et un essai gratuit y parvient en moins d’une heure. La barrière est tombée à zéro. Le potentiel de dommages est resté dans les millions.
Ce qui tient
La communauté scientifique est arrivée à un constat en 2024 : aucune approche de détection unique ne survit à l’ensemble des méthodes de synthèse. Un détecteur entraîné sur les artefacts WaveNet passe à côté des sorties de Voicebox. Un modèle qui intercepte le bruit de vocodeur échoue sur la synthèse par diffusion. Trop de surfaces d’attaque pour un seul classifieur.
Ce qui tient, systématiquement, c’est l’analyse par ensemble. Plusieurs méthodes de détection en parallèle, chacune entraînée sur des signatures d’artefacts différentes, chacune couvrant les angles morts des autres. Les résultats ASVspoof le confirment chaque année. Les ensembles surpassent les modèles uniques sur chaque métrique.
Mais les ensembles ne suffisent pas s’ils n’examinent qu’une seule couche du signal. Un enregistrement vocal contient de l’information à plusieurs échelles temporelles. Structure spectrale. Dynamiques temporelles. Relations de phase. Régularités statistiques dans les distributions de descripteurs. Schémas prosodiques. Un deepfake sophistiqué peut réussir le contenu spectral et révéler des failles dans la micro-structure temporelle. Un autre réussit le timing mais produit une cohérence de phase défaillante. Il faut des systèmes qui examinent l’intégralité du signal.
Il existe un second problème qui reçoit moins d’attention : la traçabilité. Dans une enquête d’assurance ou une procédure judiciaire, « notre IA l’a signalé » ne suffit pas. Il faut démontrer ce qui a été détecté, où dans le signal, et sur quelle base scientifique. La détection en boîte noire est un outil de recherche. Pour les industries réglementées, chaque résultat nécessite une piste de citations vérifiable.
Ce que nous avons construit chez ORAVYS
J’ai fondé ORAVYS en Israël pour résoudre ce problème, et je serai direct sur ce que nous sommes et ce que nous ne sommes pas. Nous ne sommes pas un détecteur de mensonges. Nous ne sommes pas un outil de surveillance. Nous sommes une plateforme d’intelligence vocale qui fournit une analyse multi-dimensionnelle des enregistrements audio.
Lorsqu’un enregistrement nous parvient, nous ne faisons pas tourner un seul modèle pour produire un score. Nous déployons plus d’un millier de moteurs d’analyse indépendants à travers plusieurs paradigmes scientifiques. Spectral, temporel, prosodique, statistique, cohérence inter-domaines. Chaque moteur cible un aspect distinct de ce qui rend une voix authentique ou synthétique. Le résultat n’est pas binaire. C’est un profil forensique détaillé qui révèle où les anomalies se situent, de quelle nature elles sont, et ce que la littérature scientifique établit à leur sujet.
Nous avons intégré un moteur de citations dans la plateforme. Chaque métrique d’un rapport ORAVYS est adossée à de la recherche évaluée par les pairs. Lorsque nous signalons une anomalie spectrale, le rapport précise quelles études ont établi cette caractéristique comme indicateur de deepfake. Lorsque nous mesurons des marqueurs de stress ou de congruence émotionnelle, nous référençons les travaux spécifiques de Scherer, Cummins, Tsanas et d’autres chercheurs qui ont validé ces mesures. Un enquêteur fraude, un magistrat, un expert d’assurance peut remonter chaque résultat jusqu’à sa base scientifique.
La protection de la vie privée n’est pas négociable. Conforme au RGPD depuis le premier jour. Les enregistrements sont traités et supprimés par défaut. Aucune empreinte vocale stockée, aucune identification inter-sessions, aucun ré-entraînement sur les données clients sans consentement explicite. Nous supportons le Global Privacy Control. L’intégralité du traitement reste dans l’infrastructure européenne.
Qui en a besoin
La fraude à l’assurance coûte aux assureurs européens environ 13 milliards d’euros par an, et les réclamations impliquant des enregistrements vocaux ne cessent d’augmenter. Un expert qui examine une déclaration enregistrée doit pouvoir déterminer : cette personne est-elle véritablement en détresse, ou joue-t-elle un rôle ? S’agit-il bien de l’assuré, ou d’une voix synthétique déposant une réclamation ? Nous fournissons les outils nécessaires pour répondre à ces questions avec des preuves documentées.
Les procédures judiciaires impliquent des enregistrements audio de plus en plus fréquemment. Dépositions, déclarations de témoins, menaces enregistrées, appels contestés. La question de l’authenticité audio relevait de l’exception. Désormais, elle est devenue la norme. Les avocats ont besoin d’analyses qui résistent à un examen de fiabilité Daubert, avec une méthodologie rigoureuse et un socle scientifique traçable.
Les équipes de sécurité d’entreprise font face au phishing vocal au niveau de la direction. Le scénario de fraude au président qui nécessitait autrefois un imitateur de talent ne requiert désormais que trois secondes d’audio extraites d’une conférence.
Les centres d’appels traitent des millions d’heures de données vocales. Filtrer la détresse émotionnelle, la charge cognitive et les marqueurs d’authenticité sur de tels volumes exige une automatisation qui ne sacrifie pas la précision.
Ce qui vient
Le problème des deepfakes vocaux va s’aggraver avant de s’améliorer. Les modèles de synthèse continuent de progresser. Les publications open-source font que chaque avancée devient simultanément accessible aux chercheurs et aux criminels. La régulation est lente. Le EU AI Act classe la reconnaissance d’émotions comme à haut risque et impose des exigences de transparence. C’est un progrès. Mais la régulation seule ne résoudra pas une course aux armements qui avance à la vitesse d’un commit sur GitHub.
Ce qui compte désormais : construire une infrastructure de détection suffisamment rigoureuse pour conserver une longueur d’avance, suffisamment transparente pour résister devant un tribunal, et suffisamment éthique pour mériter la confiance qu’elle exige. L’analyse vocale ne devrait jamais être déployée sans consentement. Les résultats doivent toujours être présentés comme des évaluations probabilistes, et non comme des certitudes. Les humains qui prennent les décisions restent dans la boucle.
La voix est ce que nous produisons de plus intime. Qu’elle puisse désormais être copiée, transformée en arme et déployée à grande échelle est profondément troublant. Mais la science pour riposter existe. Les signatures spectrales, les micro-structures temporelles, les distributions statistiques qui séparent la parole humaine authentique de l’audio généré. Elles sont là. La question est de savoir si nous construisons les systèmes capables de les détecter à temps.
Je pense que oui. C’est ce que nous faisons.
Eliot Cohen Bacrie est le fondateur et CEO d’ORAVYS, une entreprise israélienne d’intelligence vocale qui construit des outils d’analyse audio de niveau forensique pour la sécurité, l’assurance, le juridique et les applications cliniques.
Site web : oravys.com YouTube : youtube.com/@oravys
Références
ASVspoof Consortium (2024). ASVspoof 5: Crowdsourced Speech Data, Deepfakes, and Adversarial Attacks at Scale. ASVspoof 2024 Workshop.
Europol (2025). EU Serious and Organised Crime Threat Assessment (EU-SOCTA) 2025.
FBI Internet Crime Complaint Center (2025). 2024 Annual Report.
Groh, M., Epstein, Z., Firestone, C., & Picard, R. (2022). Deepfake detection by human crowds, machines, and machine-informed crowds. PNAS, 119(1).
Mai, K. T., Bray, S., Davies, T., & Griffin, L. D. (2023). Warning: Humans cannot reliably detect speech deepfakes. PLoS ONE, 18(8), e0285333.
Müller, N. M. et al. (2022). Does audio deepfake detection generalize? Proc. Interspeech 2022, 2783–2787.
Scherer, K. R. (2003). Vocal communication of emotion: A review of research paradigms. Speech Communication, 40(1–2), 227–256.
Cummins, N. et al. (2015). A review of depression and suicide risk assessment using speech analysis. Speech Communication, 71, 10–49.
Tsanas, A. et al. (2012). Novel speech signal processing algorithms for high-accuracy classification of Parkinson’s disease. IEEE Trans. Biomed. Eng., 59(5), 1264–1271.
UK National Crime Agency (2024). National Strategic Assessment of Serious and Organised Crime 2024.
Yi, J., Wang, C., Tao, J. et al. (2023). Audio Deepfake Detection: A Survey. arXiv:2308.14970.