研究：AI 语音钓鱼成功率比肩人类，成本极低

一项发表于近期的大规模研究（N=4,100）系统评估了六大主流 AI 语音模型在电话钓鱼（vishing）场景中的说服效果与经济可行性。研究覆盖 Llama Full Duplex（Llama FD）、Sesame、Gemini、OpenAI AVM、Play.AI 与 ElevenLabs 六款模型，并设置了人类基线作为对照。结果显示，AI 语音钓鱼已不再只是理论风险：在多个场景下其服从率与人类话务员持平甚至更高，且运营成本远低于人工。

研究设计

研究团队招募了 4,100 名具有美国成年网民代表性的参与者，随机分配到 37 个实验条件，覆盖五种典型诈骗脚本：

• MasterCard 客服诈骗
• Gmail 账户支持诈骗
• 慈善捐款请求
• 警察—奶奶（冒充警察告知家人出事）场景
• 姐妹遇险（克隆亲属声音求助）场景

参与者分别听取音频或阅读文字转录，并按五点量表对呼叫者进行情绪、说服力、可信度、人声自然度以及「是否会配合诈骗请求」评分。另有 12 人参与深度访谈，用于补充定量结论。

核心发现

中性场景下的模型表现

在去除诈骗内容的纯中性语境中，Sesame 的人声自然度显著优于 Llama FD、OpenAI AVM 与 Gemini，与 Play.AI、ElevenLabs 无显著差异。当与真人录音对比时，Sesame 是唯一在「人声感」上达到统计意义上与人类持平的模型；ElevenLabs 的克隆声音同样达到了人类级自然度，表明高质量语音克隆已能骗过普通听众。

诈骗内容的影响

从中性切换到诈骗语境后，所有模型在情绪、说服力、可信度、人声自然度四个维度上的评分均显著下滑。该效应在语音和文字两种模态下都成立，说明「怀疑感」主要由内容本身触发，而非语音瑕疵。一旦 AI 语音足够自然，怀疑就未必转化为实际防御行为。

服从率与关键驱动因素

整体来看，AI 语音诈骗请求的服从率（含「会」与「可能」两类回答）平均为 16.5%。按场景细分：

• 「姐妹遇险」克隆声音场景的服从率最高，达 36%；其服从概率约为基线的 5.33 倍。
• 「警察—奶奶」场景约为基线的 3.1 倍。
• 捐款请求约为基线的 3 倍。
• MasterCard 与 Gmail 通用客服类诈骗之间无显著差异，表明泛化的账户恢复话术无论品牌如何都难以奏效。

最强的预测因子是「呼叫者说服力」，而非其是否被识别为 AI。经常使用 AI 工具的参与者在识别 AI 语音方面并不比无 AI 接触经验的参与者更准确，说明当前用户侧的「AI 素养」并不能有效抵御此类攻击。

经济可行性与政策含义

研究附带的经济分析显示，按美国人工成本计算，纯人工 vishing 业务难以盈利；而多个 AI 语音模型在自动化条件下已具备明显的成本优势。换言之，当前 AI 语音钓鱼的主要风险来自「自动化的经济学」，而非所谓「超人」说服技术；但未来更强模型是否能突破这一限制，仍不可排除。

作者据此呼吁模型发布方、消费产品设计者与监管机构正视 AI 语音克隆带来的可扩展欺诈威胁，在模型能力、调用接口与消费者保护层面同步加强约束。