5 秒錄音、普通 CPU 就複製把聲：Pocket TTS 令電話防騙規矩要改

五秒樣本，普通桌面 CPU 已經夠

XDA 作者 Abhinav Raj 試咗用 Pocket TTS 複製自己把聲。佢先錄低 20 秒英文，再剪成 5 秒樣本，喺配備 Ryzen 5 7600 嘅電腦生成新句子，全程冇用獨立 GPU。由裝好軟件到聽到成品，佢話前後少過 15 分鐘，效果亦似到令自己心寒。不過，聲線相似度只係作者個人判斷，原文冇盲測、聲紋分數或者其他人評審，唔應當成客觀準確率。

Pocket TTS 早喺年初推出

Pocket TTS 其實係 Kyutai 喺 2026 年 1 月推出嘅開源模型，今次只係 XDA 作者嘅個人測試，唔係新產品發布。官方資料顯示，模型有 1 億參數，支援串流語音，喺 MacBook Air M4 用兩個 CPU 核心可做到約六倍實時速度，首段聲音延遲約 200ms。XDA 嗰部 Ryzen 電腦同官方測試平台唔同，所以兩邊數字唔可以直接比較，但普通 CPU 已經跑得郁呢點就相當清楚。

本機運行，平台好難介入

風險升得快，關鍵係成套工具可以留喺自己部電腦。用家唔使上傳錄音去雲端，亦冇雲端服務嘅帳戶、付款紀錄、API 限速同內容審查。呢種設計對私隱、無障礙工具同離線語音助理好有用，不過模型下載到本機之後，平台就好難及時發現濫用。靠服務商封鎖惡意 prompt，只可以管到經服務商處理嗰批內容；模型下載到本機之後，防線就要靠身份核實流程補返。

廣東話效果仲未有答案

Kyutai 而家列明支援英文、法文、德文、西班牙文、葡萄牙文同意大利文，名單入面冇廣東話。XDA 測試用英文，未能證明模型處理廣東話聲調、港式口音或者中英夾雜句子會有幾似。HSBC 香港提到短至約 5 秒聲音配合手機 app 已可能製作假聲，嗰個係整體 deepfake 風險提醒；XDA 嘅「5 秒」就係一次個別英文測試，兩者性質唔同，唔好混成 Pocket TTS 已證實可以用 5 秒複製任何語言。

家人求助：收線，再用舊渠道搵本人

收到「撞咗車」、「俾人拉咗」或者「即刻幫我過數」呢類電話同語音訊息，聲音似唔似只可以當參考。最穩陣係先收線，再打通訊錄原有號碼、搵共同親友，或者改用另一個平時已確認嘅渠道聯絡本人。屋企人亦可以預先約定暗語，遇到可疑來電就問一條社交平台搵唔到答案嘅即時問題；暗語唔好長期放喺群組對話，免得帳戶俾人接管後一併外洩。

公司付款：語音只可以觸發查證

假冒上司嘅語音訊息最易利用趕時間、保密同權力差距。公司收到臨時付款、改收款戶口、交出 OTP 或敏感資料等指示，要經內部通訊錄回撥，再由另一名同事覆核；唔好直接用訊息入面提供嘅新號碼。財務流程亦要保留雙人批核，尤其係高額或首次收款人。收到語音指示後只可以開始查證，未完成回撥同雙人覆核之前，唔可以批核付款；真人上司催得幾急都應該照行。

防騙視伏器查資料，唔會鑑定把聲

香港警方嘅防騙視伏器可以核查可疑電話、網址、平台帳戶同收款賬戶，呢一步值得做；不過佢唔係假聲鑑定器，顯示「未有紀錄」亦唔代表對方可信。警方同 HSBC 香港都建議用其他渠道核實身份，懷疑中招可以打防騙易熱線 18222。Pocket TTS 項目守則已列明禁止未經同意複製聲線同用嚟行騙，但本機模型冇技術閘門逐次截停輸出，家庭同公司而家就要當聲音係可以偽造嘅資料去處理。

參考來源

• XDA Developers — I cloned my voice with 5 seconds of audio and no GPU, and I understand the panic now — original report
• Kyutai：Text-to-speech — 確認 Pocket TTS 推出時間、模型規模、CPU 表現同官方語言名單
• Kyutai Labs：Pocket TTS GitHub — 確認串流、延遲、CPU 核心數、聲線複製功能同禁止濫用守則
• HSBC 香港：How to avoid deepfake scams — 約 5 秒聲音風險、常見假冒場景同防騙視伏器建議
• 香港警務處：電話騙案手法全解構 — 本地 AI 語音騙案、獨立渠道核實、暗語同 18222 防騙建議
• 守網者：防騙視伏器 — 確認工具可查核嘅電話、網址、平台帳戶同收款賬戶資料範圍

本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。