Dois especialistas em segurança da Salesforce apresentaram resultados de uma pesquisa que expôs a fragilidade de sistemas de “reconhecimento” ou “autenticação” por voz. A dupla, formada por John Seymour e Azeem Aqil, descobriu que é possível “treinar” um software para gerar falas de outra pessoa com apenas dez minutos de gravações da voz da vítima. Gerando sons semelhantes à fala da vítima, um hacker poderia criar uma voz impostora para dar qualquer comando a um sistema controlado por voz.
A pesquisa foi apresentada na conferência de segurança Black Hat em Las Vegas, nos Estados Unidos, na quinta-feira (9). A conclusão dos especialistas é que sistemas controlados por voz são inseguros.
Muitas empresas já estão trabalhando em sistemas capazes de “criar” sons e frases na voz de outras pessoas — uma espécie de “Photoshop da fala”. Mas esses sistemas em geral dependem de um extenso “treinamento” para o software — até 24 horas de gravações da fala da pessoa — para conseguirem resultados satisfatórios para o ouvido humano.
Mas os pesquisadores da Salesforce descobriram que os sistemas mais comuns — como o reconhecimento de voz dos celulares — não são muito exigentes e podem ser burlados com apenas dez minutos de gravação.
Funciona da seguinte forma: a gravação da fala é processada por um software junto da transcrição (texto) da mesma fala. Assim, o software associa os sons ao áudio. Repetindo esse “treinamento”, o software passa a ser capaz de gerar novos sons (falas) a partir de qualquer texto fornecido.
Mas nem mesmo os softwares existentes conseguem fazer algo útil com apenas dez minutos de gravações. Por isso, os pesquisadores tiveram que “alongar” as gravações de forma artificial. Para isso, eles pegaram a mesma gravação e fizeram alterações no tom e na velocidade do áudio (deixando a voz mais grave ou aguda).
Embora o resultado obtido com essa técnica não seja ideal — a voz não se parece com a original –, ela é suficiente para enganar os sistemas de reconhecimento de fala. A assistente de voz Siri, usada no iPhone, possui cerca de 20% de tolerância para variação de tom e velocidade, segundo os pesquisadores.
Os especialistas afirmaram que é possível usar gravações no YouTube para treinar o software. Eles também afirmam que esse processo deve ficar cada vez mais simples conforme a tecnologia avançar. Desse modo, qualquer sistema importante que use reconhecimento de voz terá de tomar precauções adicionais para garantir que um comando foi dado por uma pessoa de verdade.
