Последние два года команды по борьбе с мошенничеством готовились к атакам с использованием дипфейков, включая клонированные голоса руководителей и мошеннические запросы на банковские переводы. Тем временем контакт-центры столкнулись с другой проблемой: ИИ-сгенерированные и автоматизированные звонящие появляются в их входящих очередях.
Мы слышим похожие опасения от руководителей контакт-центров, которые замечают всё больше подозрительных ИИ-сгенерированных вызовов и испытывают трудности с их идентификацией. Их операторы уже отмечают некоторые необычные моменты во время разговоров:
- Несколько голосов в рамках одного вызова
- Звуки печати на клавиатуре, пока звонящий говорит
- Бот, отвечающий на вопросы
- Неестественные паузы между вопросами и ответами
Операторам часто приходится самостоятельно выявлять такие вызовы, прислушиваясь к подсказкам, что становится трудно поддерживать по мере роста объемов звонков, особенно когда синтетические голоса и автоматизированные звонящие становятся всё более неотличимыми от реальных клиентов.
Более широкие показатели мошенничества показывают, почему контакт-центрам необходимо серьезно отнестись к этой проблеме. FTC сообщила о 16 миллиардах долларов общих убытков от мошенничества в 2025 году, что является самым высоким показателем за всю историю наблюдений, при этом на мошенничество с выдачей себя за другое лицо пришлось 3,5 миллиарда долларов. Телефонные звонки также остаются самым дорогостоящим каналом в расчете на один инцидент со средним заявленным убытком в 1835 долларов (FTC, июнь 2026 г.).
В этом руководстве мы рассмотрим:
- 12 сигналов ИИ-сгенерированных и автоматизированных вызовов, на которые могут обращать внимание операторы контакт-центров и системы обнаружения.
- Как работает обнаружение ИИ-голоса, включая акустический анализ, поведенческие сигналы, голосовую биометрию и кластеризацию перекрестных вызовов.
- Где обнаружение вписывается в поток вызовов: от первичной проверки до оповещений операторов в реальном времени и анализа после завершения вызова.
- На что обращать внимание при выборе детектора ИИ-голоса, включая точность, задержку, совместимость с телефонией и интерпретируемость.
- Как запустить 30-дневный пилотный проект по обнаружению, не нарушая работу вашего контакт-центра.
Почему объем искусственных вызовов резко возрос
Несколько разработок сделали запуск кампаний автоматизированных вызовов проще и дешевле.
- Первая — это улучшение синтетической речи. Системы преобразования текста в речь, которые раньше требовали значительных исследовательских и инженерных ресурсов, теперь доступны через относительно недорогие API. Модели с открытыми весами также упростили создание речи, способной поддерживать разговор по сценарию. Клонирование голоса также стало более доступным, хотя объем эталонного аудио, необходимого для этого, варьируется в зависимости от модели.
- Вторая разработка — это появление голосовых агентов в реальном времени. Эти системы могут слушать, отвечать на вопросы, справляться с перебиваниями и ждать во время прослушивания музыки ожидания. С помощью размещенной языковой модели и конвейера обработки речи можно создать автоматизированного звонящего без большой команды инженеров. Это снижает стоимость проведения крупных кампаний по обзвону, независимо от того, управляются ли они мошенническими группами или компаниями, совершающими звонки без разрешения.
- В-третьих, получение телефонных номеров также стало проще. Подмена идентификатора вызывающего абонента (Caller ID) и ротация номеров прямого входящего набора (DID) затрудняют для контакт-центров распознавание повторных звонящих и их блокировку. Когда один номер попадает в черный список, его место быстро занимает другой.
В совокупности эти разработки изменили экономику автоматизированных вызовов. Злоумышленники могут совершать тысячи попыток, не нуждаясь в человеке за каждым звонком. Контакт-центры не могут угнаться за этим, прося операторов прослушивать больше записей или помечать подозрительные разговоры; им нужен способ оценивать вызовы по мере их поступления, желательно до того, как оператору придется решать, как с ними работать.
Как на самом деле выглядит искусственный вызов: 12 сигналов
Существует несколько способов обнаружить ИИ-сгенерированный или автоматизированный вызов, хотя признаки не всегда очевидны для нетренированного уха. Некоторые проявляются в самом аудио, в то время как другие становятся яснее через поведение звонящего или закономерности в нескольких вызовах.
Мы собрали 12 сигналов, о которых должны знать команды контакт-центров.
Аудиосигналы и артефакты
1. Несколько голосов или изменения в качестве звука. Некоторые искусственные вызовы включают более одного сгенерированного голоса. Прислушайтесь к внезапным изменениям фонового шума, тона помещения или качества микрофона между говорящими. Эти изменения могут указывать на то, что разные аудиоисточники были объединены в один вызов.
2. Отсутствие вдохов и естественных пауз. Человеческая речь включает небольшие прерывания, такие как вдохи, причмокивания губами и колебания. ИИ-сгенерированная речь может звучать необычно гладко, с длинными предложениями, произносимыми без пауз, которые вы обычно слышите в разговоре.
3. Неестественный фоновый шум. Фоновое аудио может дать полезные подсказки. Реальные звонки часто содержат меняющиеся звуки, такие как офисный шум, дорожное движение или разговоры людей поблизости. Синтетическое аудио может иметь фон, который звучит необычно чисто или остается почти идентичным на протяжении всего вызова.
4. Аудиоартефакты и искажения. Синтетическая речь может создавать тонкие искажения, включая неестественные изменения высоты тона, «бульканье» или хрупкое качество голоса. Эти артефакты могут стать более заметными, когда сгенерированное аудио проходит через телефонное соединение и сжимается.
5. Неестественные перебивания. Обратите внимание на то, как звонящий реагирует, когда говорит оператор. Автоматизированная система может перебить слишком быстро, продолжать говорить поверх оператора или остановиться в необычно точный момент. Эти паттерны могут выявить, как система справляется с перебиваниями.
Поведенческие и интерактивные сигналы
6. Ответы, которые не соответствуют вопросу. Автоматизированные звонящие могут полагаться на подготовленные сценарии или заранее определенные ответы. Задайте вопрос, которого они не ожидают, и звонящий может дать несвязанный ответ, повторить предыдущий ответ или с трудом продолжить разговор.
7. Необычное время отклика. Обратите внимание на то, сколько времени требуется звонящему для ответа. Некоторые автоматизированные системы отвечают почти мгновенно, в то время как другие выдают ответы с удивительно постоянным таймингом. Человеческие разговоры, как правило, имеют больше вариаций, особенно когда кто-то обдумывает незнакомый вопрос.
8. Печать на клавиатуре, щелчки и другие фоновые звуки. Печать во время звонка может указывать на то, что кто-то читает с другого устройства или управляет другой системой во время разговора. Это не обязательно подозрительно само по себе, но может стоить проверки во время восстановления доступа к учетной записи или других конфиденциальных взаимодействий.
9. Повторное зондирование IVR и повторный вход в меню. Автоматизированные звонящие могут неоднократно перемещаться по системе интерактивного голосового ответа (IVR), чтобы найти путь к живому оператору. Следите за повторными входами в меню, неверными нажатиями клавиш, молчаливой навигацией или несколькими вызовами, следующими по одному и тому же пути.
10. Трудности с проверкой личности. Звонящий, который не может ответить на вопросы, специфичные для учетной записи, предоставить общий секрет или пройти проверку личности, может потребовать дополнительного внимания. Срочность или неоднократные попытки избежать проверки могут усилить беспокойство, хотя одно только это поведение не доказывает, что звонящий является автоматизированным.
Сигналы телефонии и идентификации
11. Несоответствия номера вызывающего абонента и ротация номеров. Отображаемый агенту номер может не совпадать с исходным номером. Повторные звонки с разных номеров также могут указывать на то, что кто-то меняет номера телефонов, чтобы избежать обнаружения.
12. Сходства между несколькими вызовами. Один звонок может не дать много информации, но закономерности начинают проявляться, когда команды сравнивают звонки по разным учетным записям и номерам телефонов. Повторяющиеся голосовые характеристики, формулировки или модели ответов могут указывать на то, что за несколькими попытками стоит одна и та же автоматизированная система.
Почему человеческого уха становится недостаточно
Рассмотренные нами признаки являются полезной отправной точкой для обучения операторов контакт-центра, но на них становится все труднее полагаться по мере совершенствования синтетической речи. Более новые системы генерации голоса могут воспроизводить более естественные паттерны дыхания, фоновый шум и ритмы речи, из-за чего некоторые традиционные подсказки становятся менее очевидными.
Некоторые закономерности становятся очевидными только при сравнении звонков. Автоматизированный звонящий может отвечать с необычно постоянными интервалами, повторять одни и те же формулировки в нескольких разговорах или использовать голос, который появлялся в звонках на несколько разных учетных записей. Анализ нескольких звонков может выявить связи, которые легко упустить из виду при рассмотрении каждого разговора по отдельности.
Агентам и специалистам по борьбе с мошенничеством по-прежнему необходимо расследовать подозрительные звонки и принимать решение о дальнейших действиях. Однако по мере роста объемов звонков нельзя ожидать, что они будут прослушивать каждый разговор и улавливать каждый сигнал. Системы обнаружения могут помочь, анализируя аудио и поведение звонящего по мере развития разговора, а также выявляя закономерности в ходе звонков. После этого ручная проверка может быть сосредоточена на звонках, требующих более пристального внимания.
Анатомия искусственного звонка
Временная шкала может помочь показать, как различные сигналы складываются в более четкую картину в ходе звонка. Ниже приводится наглядный пример того, как система обнаружения может объединять аудиосигналы, сигналы поведения и паттерны звонящего по мере развития разговора.
- До ответа на звонок: Информация о номере вызывающего абонента не совпадает с другими доступными данными телефонии. Это вызывает первоначальное подозрение, хотя несовпадение номеров может иметь вполне законные объяснения.
- Первые несколько секунд: Аудио содержит характеристики, связанные с синтетической речью. Система начинает анализировать аудио на наличие признаков генерации.
- 12 секунд: Звонящий дает ответ, который не соответствует вопросу или ходу разговора. Это увеличивает показатель поведенческого риска.
- 31 секунда: Под речью звонящего обнаруживаются звуки клавиатуры. Сами по себе они не являются доказательством автоматизации, но добавляют еще один сигнал для рассмотрения.
- 47 секунд: Звонящий отвечает с практически одинаковым интервалом в течение нескольких реплик. Постоянные паттерны ответов могут указывать на то, что разговором управляет автоматизированная система.
- 95 секунд: Голос или структура разговора совпадают с активностью, замеченной в других звонках с участием других учетных записей и телефонных номеров. Это говорит о том, что звонок может быть частью более масштабной кампании.
- 140 секунд: Совокупность сигналов поднимает оценку риска звонка выше порога для дополнительной верификации. Это происходит до того, как звонящий дойдет до запроса данных учетной записи.
Ни один из сигналов в этом примере сам по себе не достаточен для того, чтобы сделать вывод о мошенническом характере звонка. Ценность заключается в совместном рассмотрении улик и выявлении закономерностей по мере их проявления. Если обнаружение происходит только после окончания звонка, у контакт-центра может не быть возможности вмешаться, пока разговор еще продолжается.
Сравнение методов обнаружения
Различные методы обнаружения ищут разные вещи. Одни анализируют аудио, чтобы определить, была ли речь сгенерирована, другие смотрят на то, кто говорит, или на то, как ведет себя звонящий. Понимание этих различий может помочь командам контакт-центров выбрать правильную комбинацию.
Биометрия голоса и обнаружение синтетической речи часто обсуждаются вместе, но они отвечают на разные вопросы. Биометрия проверяет, соответствует ли голос заявленной личности. Она не устанавливает, является ли само аудио подлинным. Клонированный голос может звучать как зарегистрированный клиент и все равно быть синтетическим.
Канал также влияет на эффективность акустического обнаружения. Телефонные сети сжимают и ограничивают звук, что может изменить характеристики, на которые опирается детектор. Модель, которая хорошо работает на чистых записях высокого качества, может дать другие результаты при обычном телефонном звонке. Запрашивайте у поставщиков результаты тестирования с использованием аудио телефонии и кодеков, которые действительно использует ваш контакт-центр.
Поведенческий анализ и кластеризация перекрестных вызовов добавляют еще один уровень доказательств. Они могут помочь идентифицировать автоматизированных звонящих, даже если аудио не содержит явных признаков синтетической речи. Сочетание этих методов дает контакт-центрам более широкое представление о подозрительной активности, чем может обеспечить любой отдельный подход к обнаружению.
Рабочий процесс оценки в реальном времени: где фактически работает обнаружение
Обнаружение может происходить в нескольких точках потока вызовов, в зависимости от того, какая информация доступна и как быстро контакт-центр должен реагировать. Большинство команд будут использовать комбинацию этих четырех этапов.
Как только система присваивает оценку риска, контакт-центру необходима четкая политика в отношении того, что делать дальше. Реакция должна отражать убедительность доказательств и потенциальное влияние звонка.
Точные пороговые значения будут зависеть от толерантности контакт-центра к риску и последствий принятия неверного решения. Ложноположительный результат может нарушить реальное взаимодействие с клиентом, в то время как пропущенное обнаружение может позволить мошенничеству продолжиться.
Прежде чем применять этот рабочий процесс на практике, решите, где должны появляться оповещения и как будут использоваться оценки обнаружения.
Во-первых, размещайте оповещения там, где агенты уже работают, например в виде уведомления в их CRM или на рабочем столе контакт-центра. Отправка их на отдельную консоль повышает вероятность того, что важные предупреждения будут пропущены. Во-вторых, сначала запустите предварительное обнаружение в режиме мониторинга. Это дает команде время понять, как оценки ведут себя на реальных звонках, и скорректировать пороговые значения перед их использованием для блокировки или перенаправления звонящих.
Посмотрите, как Resemble Detect анализирует звонки на наличие признаков синтетического аудио. Вы также можете ознакомиться с документацией по потоковому API, чтобы узнать, как обнаружение в реальном времени может вписаться в ваш поток звонков.
Что требовать от поставщика средств обнаружения
При оценке детектора голоса с искусственным интеллектом попросите поставщиков продемонстрировать, как их система работает в условиях, с которыми действительно сталкивается ваш контакт-центр. Сильный результат на чистом аудиофайле не обязательно означает надежное обнаружение во время живого телефонного звонка.
Вот вопросы, которые следует задать:
- Производительность в реальном времени: Запросите время p95 до получения первой оценки по телефонному аудио, а также размер каждого аудиофрагмента, анализируемого системой. Детектор, который работает только после окончания звонка, не поможет агентам реагировать во время подозрительного разговора.
- Уровень ложноположительных и ложноотрицательных результатов: запрашивайте оба показателя, измеренные на телефонном аудио. Ложноположительный результат может привести к тому, что добросовестный клиент будет проходить ненужную проверку, в то время как ложноотрицательный может пропустить мошеннический звонок. Вам понадобятся оба числа, чтобы решить, где установить пороговые значения.
- Поддержка кодеков и каналов: узнайте, тестировался ли детектор на аудиоформатах, которые использует ваш контакт-центр, включая узкополосные кодеки 8 кГц, такие как G.711, AMR-NB, G.729 и GSM-FR, а также широкополосные форматы 16 кГц, такие как EVS-WB и AMR-WB. Сжатие может повлиять на обнаружение, поэтому запрашивайте результаты для этих условий, а не полагайтесь на тесты с использованием аудио студийного качества.
- Полезные пояснения к каждой оценке: спросите, какую информацию получают аналитики, когда звонок помечается как подозрительный. Они должны видеть, какие сигналы повлияли на результат, где они появились в аудио и почему система присвоила именно такую оценку. Это упрощает расследование звонков и документирование решений.
- Обнаружение как автоматизированных звонков, так и клонированных голосов: система, которая ищет только синтетическую речь, может пропустить автоматизированные звонки с использованием заранее записанных сообщений или других методов. Убедитесь, что решение учитывает скриптовые взаимодействия и другие признаки автоматизации.
- Анализ между звонками: спросите, может ли система сравнивать звонки для выявления повторяющихся голосов, фраз или поведенческих паттернов по разным телефонным номерам и учетным записям. Это поможет командам распознать масштабную кампанию, которую трудно идентифицировать по одному звонку.
- Варианты развертывания: проверьте, поддерживает ли поставщик облачный API, локальное (on-premises) или изолированное развертывание, если ваши требования к безопасности и комплаенсу ограничивают места обработки данных о звонках.
- Контроль аудита и хранения: подтвердите, какая информация сохраняется, как долго она хранится и могут ли аналитики и группы комплаенса просматривать оценки, доказательства и решения позже.
- Мультимодальное обнаружение: если ваш контакт-центр также обрабатывает видеозвонки, спросите, может ли решение анализировать видео наряду с аудио. Детектор, работающий только с аудио, не охватит все взаимодействия.
- Поддержка API и потоковой передачи: ищите варианты как для пакетной, так и для потоковой обработки, чтобы обнаружение можно было встроить в разные части вашего рабочего процесса, от проверки звонков в реальном времени до расследования после завершения разговора.
Как читать эталонные тесты обнаружения
Независимые эталонные тесты (бенчмарки) могут помочь вам сравнить системы обнаружения, но важно смотреть, как проводились тесты и какой тип аудио использовался.
В бенчмарке Podonos по обнаружению аудиодипфейков модель DETECT-World от Resemble показала точность 99,47%, уровень ложноположительных результатов 0,7%, уровень ложноотрицательных результатов 0,4% и задержку 399 мс на 4524 аудиоклипах. В бенчмарке использовались закрытые метки и применялся одинаковый процесс оценки к каждой системе, вместо того чтобы полагаться на результаты, предоставленные самими поставщиками.
Эти цифры дают полезную точку отсчета, но они не говорят точно, как детектор будет работать с живыми звонками в контакт-центре. Бенчмарк использует аудиоклипы, а телефонные сети вносят сжатие и другие изменения, которые могут повлиять на обнаружение.
Вот почему важно тестирование именно для телефонии. Одно и то же аудио может звучать по-разному после прохождения через узкополосное соединение 8 кГц или широкополосный кодек 16 кГц. Детектор, который хорошо работает с чистыми записями, может дать другие результаты в таких условиях.
На момент обновления бенчмарка Podonos в августе 2026 года узкополосные и широкополосные телефонные треки были открыты для подачи заявок, но опубликованных результатов не было. Это оставило важный пробел в доступных данных. Запрашивайте у поставщиков результаты с использованием телефонного аудио и кодеков вашей среды, вместо того чтобы предполагать, что оценки студийных бенчмарков будут актуальны для живых звонков.
Модель DETECT-World от Resemble поддерживает обнаружение аудио, изображений и видео через единый API. Вы можете узнать больше о том, как использовать его во время живых звонков, в документации по потоковому API.
30-дневный пилотный план
Пилотный проект дает вашей команде возможность увидеть, как работает обнаружение на реальном трафике контакт-центра, прежде чем принимать решения о живых звонках. Вот один из способов структурировать первые 30 дней.
- Дни 1–5: Установите базовый уровень. Запустите обнаружение в режиме мониторинга входящих звонков. Пока не блокируйте звонящих и не отправляйте оповещения агентам. Проанализируйте распределение оценок и объемы звонков в разное время суток, чтобы понять, как выглядит нормальная активность.
- Дни 6–10: Сформируйте набор звонков для проверки. Выберите звонки с самыми высокими оценками обнаружения, а также случайную выборку других звонков для сравнения. Попросите аналитиков просмотреть и разметить 300–500 звонков, фиксируя доказательства для каждого решения. Это даст вам точку отсчета для оценки того, насколько хорошо детектор справляется с вашим трафиком.
- Дни 11–15: Установите пороговые значения. Используйте проверенные звонки, чтобы понять баланс между ложноположительными и ложноотрицательными результатами. Учитывайте стоимость прерывания взаимодействия с добросовестным клиентом наряду с риском пропуска мошеннического звонка. Устанавливайте пороговые значения на основе этих рисков, а не полагайтесь на настройки по умолчанию от поставщика.
- Дни 16–22: Внедрите оповещения в реальном времени. Начните отправлять оповещения агентам и команде по борьбе с мошенничеством, когда звонки достигают выбранного вами порога. Дайте агентам четкий процесс для запроса дополнительной проверки или эскалации звонка. Отслеживайте, как часто оповещения приводят к действиям и полезна ли информация во время разговора.
- Дни 23–30: Расширьте меры реагирования и проанализируйте паттерны звонков. Если результаты подтверждают эффективность, включите действия до ответа для звонков категории самого высокого риска. Начните анализировать паттерны между звонками, чтобы увидеть, связаны ли отдельные попытки. Обсудите результаты с командой по борьбе с мошенничеством и при необходимости скорректируйте пороговые значения или процедуры реагирования.
В конце пилота оцените три вещи: как часто детектор идентифицирует подозрительные звонки при выбранном вами уровне ложноположительных результатов, как быстро оповещения доходят до агентов и сколько звонков с высокой оценкой аналитики подтверждают как подозрительные. Эти результаты помогут вам решить, готова ли система к более широкому внедрению и где рабочий процесс требует корректировки.
Заключение
Сгенерированную ИИ речь и автоматизированные звонки становится все труднее идентифицировать только на слух. Некоторые звонки все еще имеют очевидные признаки, такие как неестественные паузы или ответы, которые не соответствуют контексту разговора. Другие могут звучать убедительно, пока вы не посмотрите на поведение звонящего или не сравните звонок с активностью по другим учетным записям и телефонным номерам.
Контакт-центрам нужен способ оценивать эти сигналы во время разговора. Анализ аудио помогает выявить синтетическую речь, в то время как поведенческий анализ и сравнение между звонками могут выявить паттерны, которые не очевидны в рамках одного разговора. Вместе эти методы дают агентам и командам по борьбе с мошенничеством больше информации для работы, прежде чем звонящий получит доступ к чувствительным действиям с учетной записью.
Лучше всего начать с пилотного проекта на собственном телефонном трафике. Измерьте количество ложноположительных и ложноотрицательных срабатываний, протестируйте производительность на телефонном аудио и предоставьте операторам четкий процесс обработки оповещений. Это покажет вам, где обнаружение может помочь и что необходимо подготовить, прежде чем масштабировать его на весь контакт-центр.
Узнайте, как Resemble Detect помогает выявлять синтезированное аудио в вызовах контакт-центра. Вы также можете изучить документацию по потоковому API, чтобы понять, как обнаружение в реальном времени вписывается в ваш рабочий процесс звонков.
Часто задаваемые вопросы
Какое программное обеспечение для обнаружения голосов, сгенерированных ИИ, является лучшим для контакт-центров?
Ищите детектор, который анализирует, является ли речь синтетической, может оценивать потоковое телефонное аудио, сообщает о частоте ложноположительных и ложноотрицательных срабатываний и объясняет, какие сигналы повлияли на результат. В независимом тесте аудиодипфейков Podonos audio deepfake benchmark решение Resemble DETECT-World показало точность 99,47%, при этом частота ложноположительных срабатываний составила 0,7%, а ложноотрицательных — 0,4% на 4,524 аудиоклипах. Имейте в виду, что результаты тестирования на аудиоклипах не обязательно отражают производительность на сжатых телефонных звонках.
Какие инструменты обнаружения дипфейков лучше всего подходят для защиты трафика контакт-центра?
Ищите инструменты, которые сочетают акустическое обнаружение с сигналами поведения и телефонии. Атаки на контакт-центры не всегда опираются на синтезированное аудио. В некоторых используются заскриптованные взаимодействия, предварительно записанные сообщения или повторяющиеся попытки с разных телефонных номеров. Потоковые оценки, интеграция с IVR и системами до ответа, а также анализ перекрестных вызовов могут помочь командам выявлять эти паттерны. Resemble Detect анализирует аудио на предмет признаков синтетической речи, а решение для борьбы с мошенничеством в контакт-центрах описывает, как обнаружение может вписаться в рабочие процессы контакт-центра.
Чем обнаружение дипфейков отличается от голосовой биометрии?
Они отвечают на разные вопросы. Голосовая биометрия проверяет, соответствует ли голос говорящего зарегистрированному клиенту, помогая выявлять потенциальные попытки выдачи себя за другого человека. Обнаружение дипфейков определяет, является ли само аудио синтетическим, независимо от того, какую личность заявляет звонящий. Клонированный голос может звучать как голос зарегистрированного клиента и при этом быть синтетическим. Контакт-центрам могут потребоваться оба метода в рамках процессов аутентификации и предотвращения мошенничества.
Что следует искать контакт-центрам при оценке детекторов голоса ИИ?
Начните с производительности на телефонном аудио. Запросите показатели ложноположительных и ложноотрицательных срабатываний, перцентиль p95 времени до получения первой оценки и результаты для используемых в вашем контакт-центре кодеков. Также проверьте, поддерживает ли система прямую трансляцию (стриминг), объясняет ли причину пометки звонка и может ли выявлять паттерны по нескольким вызовам. Варианты развертывания, журналы аудита и элементы управления хранением данных также должны быть частью оценки.
Программное обеспечение для обнаружения дипфейков против ПО для обнаружения мошенничества: что контакт-центру следует купить в первую очередь?
Они решают разные части одной проблемы. Платформы для борьбы с мошенничеством могут оценивать риски транзакций и личности, но это необязательно говорит команде, является ли голос на живом звонке синтетическим. Обнаружение дипфейков добавляет сигнал достоверности аудио, который может дополнить более широкий процесс борьбы с мошенничеством. Если вы уже используете платформу для борьбы с мошенничеством или голосовой биометрии, обнаружение может дополнить эти системы, а не заменить их.
