Palavra-código familiar e verificação da voz de quem liga

Não, e essa é uma decisão consciente. Hoje não existe jeito confiável de distinguir síntese de fala real pelo som: sistemas corporativos como Pindrop e Hiya divulgam seus números sobre áudio limpo de estúdio, e numa ligação telefônica comprimida — exatamente a situação para a qual são comprados — o acerto cai para cerca de dois terços. Nós respondemos a outra pergunta, se a voz coincide com uma referência guardada, e essa resposta verificamos por medição.

Porque um bom clone se parece com o original por construção: esse é todo o propósito dele. Coincidir com a referência significa apenas que nenhuma contradição foi encontrada. O desmentido funciona ao contrário: se a voz difere visivelmente, isso sozinho já basta para desligar e ligar você mesmo. Toda a escala foi construída em torno dessa assimetria, e não em torno de um percentual de semelhança.

Uma palavra fixa é segura exatamente até o primeiro vazamento, e ela vaza não por invasão, mas por conversa: a «segurança do banco» pede a uma pessoa idosa que diga a senha da família «para conferência», e a família nunca fica sabendo. Uma palavra rotativa é derivada do segredo compartilhado do círculo e do número da janela de cinco minutos, então o que foi dito ontem hoje não significa nada. O preço é que o outro lado precisa da mesma página aberta, e por isso a palavra fixa continua sendo o padrão.

Não necessariamente, e por isso a palavra anterior sempre aparece ao lado da atual. A janela dura cinco minutos e os relógios dos celulares divergem alguns segundos; se a ligação começa bem na troca, a pessoa lê a palavra que acabou de expirar. Coincidir com qualquer uma das duas é normal. Preocupante é outra coisa: quem não consegue dizer nada ou desvia a conversa da pergunta.

Um microfone no viva-voz ouve a sala: as reflexões das paredes, o processamento do alto-falante do telefone e você mesmo — tudo isso altera o espectro, e é justamente o espectro que a comparação usa. A captura da aba pega o áudio do WhatsApp Web, Telegram Desktop ou Zoom antes do alto-falante, então a comparação se apoia na voz e não na acústica da sua cozinha. A porta só aparece em navegadores capazes de compartilhar o som da aba, e o interruptor «Compartilhar áudio» precisa estar ligado no seletor.

A gravação é analisada pelo código da página no seu navegador, e o que fica na memória do aparelho é uma impressão numérica: coeficientes cepstrais médios, a velocidade de transição entre os sons, o formato do espectro de longo prazo e a mediana do tom fundamental. Desses números a voz não pode ser reconstruída — eles bastam para comparar, não para reproduzir. A gravação em si não é mantida depois do cálculo. Como em qualquer página do site, durante o funcionamento são coletadas estatísticas técnicas de uso.

Continua valendo a regra que vence qualquer tecnologia: desligue e ligue de volta para o número da sua própria agenda, não para o que ligou para você. Se ninguém atender, ligue para um segundo parente antes de fazer qualquer coisa com dinheiro. Se a pessoa estiver mesmo em apuros, cinco minutos não mudam nada; se for um golpista, a conversa acaba ali. Todo o resto desta página existe para reforçar essa regra, não para substituí-la.