Familien-Codewort und Stimmprüfung des Anrufers

Nein, und das ist eine bewusste Entscheidung. Es gibt heute keinen verlässlichen Weg, Synthese am Klang von echter Sprache zu unterscheiden: Unternehmenssysteme wie Pindrop und Hiya nennen ihre Zahlen für sauberes Studio-Audio, und auf einem komprimierten Telefonanruf — genau der Situation, für die man sie kauft — fällt die Trefferquote auf etwa zwei Drittel. Wir beantworten eine andere Frage, nämlich ob die Stimme zu einer gespeicherten Referenz passt, und diese Antwort prüfen wir durch Messung.

Weil ein guter Klon dem Original von Natur aus ähnelt — genau das ist sein Zweck. Eine Übereinstimmung mit der Referenz bedeutet nur, dass kein Widerspruch gefunden wurde. Die Widerlegung funktioniert andersherum: Weicht die Stimme deutlich ab, genügt das allein, um aufzulegen und selbst zurückzurufen. Die gesamte Skala ist um diese Asymmetrie herum gebaut und nicht um einen Ähnlichkeitsprozentwert.

Ein festes Wort ist genau bis zum ersten Leck sicher, und es leckt nicht durch einen Hack, sondern durch ein Gespräch: Die „Banksicherheit" bittet einen älteren Menschen, das Familienpasswort „zum Abgleich" zu nennen, und die Familie erfährt es nie. Ein wechselndes Wort wird aus dem gemeinsamen Geheimnis des Kreises und der Nummer des Fünf-Minuten-Fensters abgeleitet, deshalb bedeutet das gestern Gesagte heute nichts mehr. Der Preis dafür: Die Gegenseite braucht dieselbe Seite geöffnet — darum bleibt das feste Wort die Voreinstellung.

Nicht zwangsläufig, deshalb steht neben dem aktuellen immer auch das vorherige Wort. Das Fenster dauert fünf Minuten, und Telefonuhren weichen um Sekunden ab; beginnt ein Gespräch genau am Wechsel, liest die Person noch das eben abgelaufene Wort. Eine Übereinstimmung mit einem der beiden ist normal. Beunruhigend ist etwas anderes: Wenn gar nichts genannt werden kann oder das Gespräch von der Frage weggelenkt wird.

Ein Mikrofon am Lautsprecher hört den Raum: Reflexionen von den Wänden, die Aufbereitung des Telefonlautsprechers und Sie selbst — all das verändert das Spektrum, und genau das Spektrum nutzt der Vergleich. Die Tab-Aufnahme greift den Ton von WhatsApp Web, Telegram Desktop oder Zoom vor dem Lautsprecher ab, sodass der Vergleich auf der Stimme beruht und nicht auf der Akustik Ihrer Küche. Die Tür erscheint nur in Browsern, die Tab-Ton teilen können, und der Schalter „Audio teilen" muss im Auswahlfenster an sein.

Die Aufnahme wird vom Seitencode im Browser ausgewertet, und im Gerätespeicher bleibt ein numerischer Fingerabdruck: gemittelte Cepstrum-Koeffizienten, die Geschwindigkeit der Übergänge zwischen Lauten, die Form des Langzeitspektrums und der Median der Grundfrequenz. Aus diesen Zahlen lässt sich die Stimme nicht rekonstruieren — sie genügen zum Vergleichen, nicht zum Abspielen. Die Aufnahme selbst wird nach der Berechnung nicht aufbewahrt. Wie auf jeder Seite dieser Website wird im Betrieb technische Nutzungsstatistik erhoben.

Es gilt weiterhin die Regel, die jede Technik schlägt: Legen Sie auf und rufen Sie über die Nummer aus Ihrem eigenen Adressbuch zurück, nicht über die des Anrufers. Erreichen Sie niemanden, rufen Sie einen zweiten Verwandten an, bevor Sie irgendetwas mit Geld tun. Ist die Person wirklich in Not, ändern fünf Minuten nichts; ist es ein Betrüger, endet das Gespräch genau dort. Alles andere auf dieser Seite existiert, um diese Regel zu stützen, nicht um sie zu ersetzen.