Моделі та платформи ШІ
Як інструмент штучного інтелекту для психічного здоров’я випадково відкрив точне виявлення глибоких підробок

Ключові моментиШахрайство з використанням діпфейків випереджає виявлення, оскільки синтетичні голоси…
Показати більше
- Шахрайство з використанням діпфейків випереджає виявлення, оскільки синтетичні голоси тепер перетинають поріг невідрізнянності.
- Виявлення голосових діпфейків зараз є важливішим, оскільки витрати від шахрайства з ШІ, за прогнозами, сягнуть 40 мільярдів доларів.
- Найефективнішим захистом від діпфейків може бути перевірка людської автентичності, а не гонитва за синтетичними артефактами.
Коли технологічний гігант Open AI запустив свою флагманську модель генерації відео й аудіо Sora 2 у вересні 2025 року, відеодіпфейки заполонили соціальні мережі. Аудиторія дедалі більше звикала до потенційно небезпечного, надзвичайно реалістичного контенту.
Хоча Open AI назвала відповідальний запуск Sora 2 головним пріоритетом, заявивши, що користувачі отримають «інструменти й можливість контролювати те, що вони бачать у своїй стрічці», а також повний контроль над використанням власного образу, дослідження жовтня 2025 року виявило, що модель створювала відео з неправдивими твердженнями у 80% випадків.
Від відео, які імітували новинні репортажі про молдовського виборчого чиновника, що знищує бюлетені, до вигаданих сцен затримання маленької дитини імміграційними службовцями або заяви представника Coca-Cola (KO ) про відмову компанії спонсорувати Супербоул — ставки у поширенні дезінформації у взаємопов’язаному світі надзвичайно високі.
За межами Sora: вішинг
Ще до запуску інструмента Open AI створення та поширення діпфейків онлайн зростало. За даними звіту кібербезпекової компанії DeepStrike за вересень 2025 року, кількість такого контенту зросла з 500 000 у 2023 році до 8 мільйонів у 2025-му. Значну частину використовували для шахрайства.
Тенденція не показує ознак сповільнення: лише у США втрати від шахрайства з AI очікувано сягнуть 40 мільярдів доларів до 2027 року.
Зростає не лише кількість. Завдяки Sora 2 та Veo 3 від Google (GOOGL ) створені AI обличчя, голоси й рухи всього тіла реалістичніші, ніж будь-коли. Як зазначив фахівець з інформатики та дослідник діпфейків Siwei Lyu, сучасні моделі створюють стабільні обличчя без викривлень, а клонування голосу вже подолало «поріг нерозрізненності».
Діпфейки випереджають засоби виявлення. Те, що технологічні компанії продають як розважальні інструменти для створення всього — від олімпійських гімнастичних вправ до складних фонових звукових ландшафтів, — злочинці використовують проти компаній і людей. Лише за перше півріччя 2025 року інциденти з діпфейками спричинили втрати компаній на 356 мільйонів доларів і приватних осіб на 541 мільйон доларів США.
Традиційне виявлення діпфейків — зокрема пошук водяних знаків, ретушованих облич і перевірка метаданих — не справляється. Голосові діпфейки залишаються другою найпоширенішою формою шахрайства з AI, а голосовий фішинг, або вішинг, зріс на 442% у 2025 році, тож наслідки вже відчутні.
«Тепер кількох секунд аудіо достатньо для переконливого клону — з природною інтонацією, ритмом, наголосами, емоціями, паузами й шумом дихання», — писав Lyu.
Наука слухати людей
Kintsugi — стартап медичних технологій, який розробляє голосові біомаркери на основі AI для виявлення ознак клінічної депресії та тривоги. Його робота почалася з начебто простої ідеї: потрібно слухати людей.
«Я заснувала Kintsugi через проблему, яку пережила особисто. Майже п’ять місяців я телефонувала своєму медичному провайдеру, щоб записатися на першу терапевтичну зустріч, але мені ніхто не передзвонив. Я продовжувала спроби, проте чітко пам’ятаю думку: якби це був мій тато або брат, вони здалися б набагато раніше», — сказала генеральна директорка Grace Chang у розмові з Unite.AI.
Каліфорнійську компанію заснували у 2019 році для розв’язання проблеми, яку Chang назвала «вузьким місцем у медичному сортуванні». Засновниця вважала, що раннє пасивне виявлення тяжкості стану допоможе людям швидше отримати належний рівень допомоги. Голосові біомаркери Kintsugi Voice визначають клінічну депресію та тривогу.
Численні дослідження підтверджують успішне використання аналізу мовлення й голосу з AI як біомаркера психічних станів. Наприклад, стаття травня 2025 року виявила, що акустичні біомаркери допомагають помічати ранні ознаки психічних станів і нейровідмінності, та обґрунтувала інтеграцію аналізу співу в клінічну практику для оцінки можливого зниження когнітивних здібностей пацієнтів.
Голосові вимірювання розрізняють людей із депресією та без неї з точністю 78–96%, за даними Американської психіатричної асоціації. Інше дослідження використало хвилинний тест вербальної плинності: людина називала якомога більше слів у заданій категорії. Точність виявлення учасників, які мали одночасно депресію і тривогу, становила 70–83%.
Для оцінки психічного здоров’я Kintsugi просить короткий запис мовлення, після чого технологія голосових біомаркерів аналізує висоту голосу, інтонацію, тембр і паузи. Ці маркери пов’язані з депресією, тривогою, біполярним розладом і деменцією.
Спочатку Chang не усвідомлювала, що технологія розв’язує одну з найнагальніших сучасних проблем індустрії безпеки: визначення того, що робить людські голоси людськими.
Від допомоги у сфері психічного здоров’я до кібербезпеки
На саміті в Нью-Йорку наприкінці 2025 року Chang розповіла приятелеві з галузі кібербезпеки, що експерименти її команди із синтетичними голосами розчарували.
«Ми досліджували синтетичні дані для доповнення навчання наших моделей психічного здоров’я, але створені голоси настільки відрізнялися від справжнього людського мовлення, що ми розпізнавали різницю майже у 100% випадків», — сказала вона.
«Він зупинив мене й сказав: “Grace, у сфері безпеки ця проблема ще не розв’язана”. Саме тоді все стало зрозуміло. Відтоді розмови з компаніями у сфері безпеки, фінансових послуг і телекомунікацій підтвердили, як швидко зростають голосові діпфейк-атаки і наскільки реальною є потреба відрізняти людські голоси від синтетичних під час живих дзвінків», — додала директорка.
У квітні минулого року ФБР попередило про зловмисну кампанію текстових і голосових повідомлень, що видавалися за звернення високопосадовців США і були спрямовані на колишніх державних службовців та їхні контакти. Великі національні банки США також зазнавали в середньому 5,5 спроб шахрайства з маніпуляцією голосом на день, а працівники Vanderbilt University Medical Center повідомляли про вішинг-атаки від осіб, що видавали себе за друзів, керівників і колег.
Однак спочатку діпфейки не входили до роботи Kintsugi. Команда користувалася готовими моделями Cartesia, Sesame та ElevenLabs для експериментів із синтетичними голосами для адміністративних операторів контакт-центрів і вихідних дзвінків. Шахрайство з діпфейками не було її метою на переповненому й доступному ринку з моделями на кшталт Sora.
Сигнали людського рівня, які вказують на справжність голосу, — ті самі біомаркери, що роблять людину людиною. Незалежно від мови чи семантики, Kintsugi Voice використовує обробку сигналів і фізичну затримку мовлення, фіксуючи тонкі часові особливості, просодичну мінливість, когнітивне навантаження та фізіологічні маркери. Вони відображають те, як утворюється мовлення, а не те, що сказано.
«Синтетичні голоси можуть звучати плавно, але не несуть тих самих біологічних і когнітивних ознак», — сказала Chang. Модель компанії постійно входить до найкращих 10% за точністю виявлення, використовуючи лише 3–5 секунд аудіо.
Kintsugi може стати революційним для людей із труднощами психічного здоров’я, особливо там, де допомога фахівців потребує часу й ресурсів. Так само технологія може змінити виявлення діпфейків та кібербезпеку загалом: виявлення справжності замість розпізнавання підробки.
Майбутнє — за технологіями, орієнтованими на людину
Кібербезпека давно зосереджується на зловмисному використанні технологій або самих злочинцях. Випадкове відкриття Kintsugi натомість робить ставку на саму людську природу.
«Ми працюємо в зовсім іншій площині: самій людській автентичності. Великі мовні моделі не можуть надійно виявляти контент, створений великими мовними моделями, а методи на основі артефактів крихкі. Збирання великих наборів даних із клінічними мітками, які відображають справжню людську мінливість, дороге, повільне й виходить за межі основної компетенції більшості безпекових компаній. Тому цей підхід важко відтворити», — зазначила Chang.
Підхід стартапу свідчить і про ширший зсув — міжгалузеві інновації. Лідери охорони здоров’я можуть очолити виявлення вішингу за допомогою AI, так само як новатори космічних технологій можуть підтримати нові механізми реагування на надзвичайні ситуації, а гравці відеоігор — архітектуру й міське планування.
Chang планує створити стандарт перевірки справжніх людей, а згодом і справжніх намірів через голосову взаємодію.
«Як HTTPS став стандартним шаром довіри для вебу, так, на нашу думку, “підтвердження людяності” стане фундаментальним шаром голосових систем. Signal — початок цієї інфраструктури», — сказала вона.
Оскільки генеративний AI продовжує прискорюватися, найефективніші заходи захисту можуть прийти з розуміння того, що робить людей… людьми.












