Am Telefon weint angeblich das eigene Kind und braucht sofort Geld. Warum eine vertraute Stimme kein Echtheitsnachweis mehr ist und was stattdessen trägt.
Aufwand:
ca. 10 Min.
Voraussetzung:
Die selbst gespeicherte Rufnummer der betroffenen Person, Ein zweites Telefon, falls vorhanden, Die Bereitschaft, mitten im Gespräch aufzulegen
Gilt für:
Telefonanrufe, Sprachnachrichten in Messengern, Mailbox-Ansagen
Das Symptom
Das Telefon klingelt, und am anderen Ende ist eine Stimme, die man seit Jahrzehnten
kennt. Sie weint, sie überschlägt sich, sie redet von einem Unfall, einer Festnahme,
einer Kaution. Dann übernimmt jemand anderes das Gespräch und nennt eine Summe. Alles
muss sofort passieren, Rückfragen werden abgeschnitten, das Auflegen wird ausdrücklich
untersagt. Hinterher bleibt ein Satz hängen, der jede Nachfrage im Keim erstickt hat:
Das war doch eindeutig ihre Stimme.
Die „Layer 8“-Wahrheit
Eine Stimme war jahrzehntelang ein brauchbarer Identitätsnachweis, weil sie sich nicht
fälschen ließ. Diese Voraussetzung ist weggefallen, und zwar leise. Das BSI beschreibt
die beiden Verfahren, um die es geht: Bei Text-to-Speech wird aus vorgegebenem Text ein
Audio-Signal erzeugt, das nach einer bestimmten Person klingt, bei Voice Conversion wird
die Stimme des Anrufers in die Zielstimme umgerechnet – der Inhalt bleibt, die Stimme
wechselt. Zum Materialbedarf hält das BSI fest, dass hohe Qualität mehrere Stunden
Aufnahmen verlangt, moderne Ansätze aber mit wenigen Sekunden auskommen, zu Lasten der
Qualität. Öffentliche Sprachnachrichten, Videos und Mailbox-Ansagen liefern dieses
Material beiläufig.
Der Fehler liegt deshalb nicht im Ohr, sondern in der Zuständigkeit: Das Ohr wird als
Prüfinstanz eingesetzt, obwohl es keine mehr ist. Das BSI nennt zwar Merkmale, an denen
sich synthetische Stimmen häufig verraten – metallischer Klang, falsche Aussprache,
monotone Betonung, ein Akzent, der nicht passt, spürbare Verzögerung –, und bei einem
Live-Anruf hat der Angreifer keine Gelegenheit, solche Artefakte nachträglich zu
bereinigen. Aber all das taugt nur zum Alarmschlagen, nicht zum Entwarnen. Wer nichts
Auffälliges hört, hat lediglich nichts Auffälliges gehört.
Was trägt, ist banal und verlangt kein Urteil: auflegen und über die eigene gespeicherte
Nummer zurückrufen. Ein Angreifer kontrolliert den Kanal, den er selbst aufgebaut hat –
er kontrolliert nicht den, den man sich selbst sucht. Dazu kommt die eine Regel, die
das BSI ohne Einschränkung formuliert: Zugangsdaten und Kontoinformationen gehören
niemals ans Telefon, und seriöse Firmen fragen dort auch nicht danach. Layer 8 ist hier
kein Mangel an Aufmerksamkeit, sondern das genaue Gegenteil: Ein Mensch, der die Stimme
seines Kindes hört, soll nicht abwägen, sondern helfen. Deshalb wird nicht die Reaktion
trainiert, sondern der Rückweg – ein Rückruf, der schon feststeht, bevor der Anruf kommt.
Die echte, verifizierte Lösung
1000 % faktenbasiert. Jeder Befehl ist real, jeder Pfad existiert. Schritt für Schritt:
1.
Den Zeitdruck als das behandeln, was er ist
Eile ist bei dieser Masche kein Nebeneffekt, sondern das eigentliche Werkzeug. Das BSI beschreibt Social Engineering als Ausnutzung menschlicher Eigenschaften wie Hilfsbereitschaft, Vertrauen, Angst oder Respekt vor Autorität. Ein Anruf, der sofortiges Handeln verlangt und jede Rückfrage abwürgt, erfüllt genau dieses Muster. Wer das erkennt, hat den entscheidenden Schritt schon getan – nicht durch besseres Hinhören, sondern durch Verlangsamen.
2.
Keine vertraulichen Angaben machen, egal wer spricht
Keine Kontonummer, keine TAN, keine Zugangsdaten, keine Bestätigung einer Zahlung am Telefon. Das BSI formuliert das als feste Regel: Passwörter, Zugangsdaten oder Kontoinformationen niemals per Telefon oder E-Mail mitteilen, denn Banken und seriöse Firmen fordern dazu weder per Telefon noch per E-Mail auf. Diese Regel braucht kein Urteil über die Stimme.
3.
Auflegen und selbst zurückrufen
Der einzige Schritt, der auch dann trägt, wenn die Fälschung perfekt war: das Gespräch beenden und die betroffene Person über die eigene, im Adressbuch gespeicherte Nummer anrufen. Nicht die zurückrufen, die im Display stand, und nicht die, die am Telefon genannt wurde. Das BSI empfiehlt diesen Rückversicherungsanruf ausdrücklich für verdächtige E-Mails; übertragbar ist daran der Gedanke, dass die Prüfung über einen zweiten, selbst gewählten Weg laufen muss und nicht über den Kanal, den der Anrufer vorgibt.
4.
Auf eine Angabe zurückgreifen, die nur die echte Person kennen kann
Wenn ein Rückruf nicht sofort möglich ist, hilft eine Frage nach etwas, das nicht öffentlich steht und sich nicht erraten lässt – gemeinsame Erlebnisse, ein Detail aus der letzten Woche. Wichtig ist die Richtung: Man fragt nach etwas, statt etwas zu bestätigen. Wer selbst einen Namen oder ein Ereignis nennt und um Bestätigung bittet, liefert die Antwort mit.
5.
Auf Artefakte achten, ohne sich darauf zu verlassen
Metallischer Klang, monotone Betonung, falsch ausgesprochene Wörter, ein Akzent, der nicht stimmt, unnatürliche Geräusche, spürbare Verzögerungen vor jeder Antwort – das sind die Merkmale, die das BSI für synthetische Stimmen aufführt. Sie sind ein Alarm, wenn sie auftreten. Ihr Fehlen ist kein Freispruch, denn das BSI erwartet ausdrücklich, dass die manuelle Erkennung von Fälschungen in Zukunft immer schwieriger werden wird.
6.
Bei bereits geflossenem Geld sofort die Bank einschalten
Wenn eine Überweisung ausgelöst oder eine Zahlung freigegeben wurde, zählt die Zeit. Die eigene Bank über die selbst herausgesuchte Nummer anrufen und den Vorgang schildern, damit die Zahlung geprüft und, soweit noch möglich, aufgehalten wird. Erst danach in Ruhe alles aufschreiben: Uhrzeit, angezeigte Nummer, Gesprächsverlauf, verlangte Beträge und Empfängerdaten.
7.
Die Sache in der Familie einmal ansprechen
Das BSI nennt Aufklärung als zentrale Präventionsmaßnahme gegen Deepfake-Angriffe und begründet es damit, dass allein das Wissen um die Möglichkeit eines solchen Angriffs eine differenzierte Einschätzung der Echtheit des Gehörten ermöglicht. Praktisch heißt das: einmal am Küchentisch erzählen, dass eine vertraute Stimme am Telefon heute nichts mehr beweist. Das kostet fünf Minuten und wirkt genau dann, wenn niemand mehr nachdenken kann.
Häufige Fragen (FAQ)
?Ich habe die Stimme doch eindeutig erkannt. Kann die wirklich gefälscht sein?
Ja, und der Aufwand dafür ist deutlich kleiner geworden, als die meisten annehmen. Das BSI beschreibt zwei Verfahrensklassen: Bei Text-to-Speech wird zu einem vorgegebenen Text ein Audio-Signal erzeugt, das sich wie eine Zielperson anhört; bei Voice Conversion wird die eigene Stimme des Anrufers in die Zielstimme umgerechnet. Zum Materialbedarf schreibt das BSI, für hohe Qualität seien zwar mehrere Stunden Audiomaterial nötig, aber: „Moderne Forschungsansätze arbeiten an Verfahren, welche lediglich wenige Sekunden Audiomaterial der Zielperson und keinen erneuten Trainingsprozess benötigen, wobei dies bisher zu Lasten der Qualität der Ausgabe geht.“ Das Wiedererkennen einer Stimme ist damit kein Beweis mehr, sondern nur noch ein Eindruck.
?Woran höre ich denn, dass die Stimme künstlich ist?
Es gibt Merkmale, aber sie sind ein Zusatz und keine Prüfung. Das BSI listet als typische Artefakte synthetischer Stimmen einen metallisch klingenden Klang, falsche Aussprache einzelner Wörter, monotone Betonung, unnatürliche Geräusche und eine hohe Verzögerung. Besonders brauchbar ist der Hinweis zur Sprechweise: Fälschungsverfahren treffen laut BSI meist die Klangfarbe gut, haben aber „häufig Probleme damit, die spezifischen Charakteristika der Stimme zu fälschen, sodass beispielsweise Akzente oder Betonungen von Wörtern nicht denen des Zielsprechers/ der Zielsprecherin entsprechen“. Und weil ein Anruf live läuft, kann niemand nachbessern: Das BSI hält fest, dass ein Angreifer insbesondere bei Echtzeitanwendungen keine Möglichkeit hat, mit Artefakten behaftetes Material manuell zu bereinigen. Trotzdem: Wer nichts hört, hat nichts bewiesen.
?Der Anruf kam von der richtigen Nummer im Display. Reicht das nicht?
Nein. Die im Display angezeigte Rufnummer ist eine Angabe, die mit dem Gespräch übertragen wird – sie sagt nichts darüber, wer tatsächlich spricht. Das eigentliche Muster beschreibt das BSI beim Social Engineering allgemein: „Das zentrale Merkmal von Angriffen mithilfe von Social Engineering besteht in der Täuschung über die Identität und die Absicht des Täters.“ Genau dafür ist eine geklonte Stimme das perfekte Werkzeug. Deshalb ist die Gegenmaßnahme auch keine bessere Anzeige, sondern ein zweiter, selbst gewählter Kanal: auflegen und über die eigene, gespeicherte Nummer zurückrufen.
?Am Telefon wurden Kontodaten und eine TAN verlangt. Ist das normal?
Nein, und hier gibt es eine Regel, die ohne jede Einzelfallprüfung trägt. Das BSI schreibt für Social Engineering unmissverständlich: „Teilen Sie Passwörter, Zugangsdaten oder Kontoinformationen niemals per Telefon oder E-Mail mit.“ Und weiter: „Banken und seriöse Firmen fordern ihre Kunden nie per E-Mail oder per Telefon zur Eingabe von vertraulichen Informationen auf.“ Damit ist die Aufforderung selbst schon das Merkmal – man muss die Stimme gar nicht mehr beurteilen. Ist bereits Geld geflossen, gehört der schnellste Anruf der eigenen Bank, damit die Zahlung geprüft und gegebenenfalls aufgehalten wird.
Belege
Diese Seite ist gegen die folgenden Primärquellen geprüft – Hersteller, Standard oder Gesetzestext. Wer es nicht glaubt, muss es nicht: Da steht, wo es nachzulesen ist.