Geklonte KI-Stimmen und der Notfall in der Familie: Wie das System arbeitet
Der Anruf kam, und Sie haben die Stimme sofort erkannt. Ihr Kind. Ihr Enkel. Genau so, wie es klingt, wenn etwas nicht stimmt — das Stocken im Atem, die beherrschte Panik, die nicht in Hysterie umschlagen will. Sie wussten, dass das dieser Mensch war, bevor der erste Satz zu Ende war.
Nur war er es nicht.
Was Sie gehört haben, war eine drei Sekunden lange Tonaufnahme, aus einem Beitrag in einem sozialen Netzwerk abgegriffen, durch ein neuronales Syntheseprogramm geschickt und über eine Internettelefonie-Verbindung abgespielt von jemandem, der in einem Callcenter sitzt, Ihre Familie nie getroffen hat und nie treffen wird. Die Stimme war echt. Der Notfall nicht.
Diese Seite kartiert genau, wie das gebaut war — die Ausspähung, die Technik, die inszenierte Aufführung und die genaue Abfolge seelischen Drucks, die aus einer erfundenen Stimme eine echte Abhebung von Ihrem echten Bankkonto gemacht hat.
Vor dem Anruf: Das Drehbuch entsteht
Der Anruf, der kam, war nicht der Anfang. Der Anfang lag Tage oder Wochen früher, in einer Ausspähung, von der Sie unmöglich wissen konnten.
Das Durchsuchen von Todesanzeigen gehört zu den wichtigsten Quellen. Todesanzeigen im Netz halten Familienstrukturen dauerhaft und genau fest: wer hinterblieben ist, in welchem Verhältnis, mit welchen Namen. Gemeinde- und Kirchenverzeichnisse liefern dieselben Angaben in anderer Form. Reichen offen zugängliche Quellen nicht aus, holt sich der Bearbeiter die Angaben in den ersten Sekunden des Anrufs selbst, mit einem vagen Einstieg: „Oma, ich bin es.“ Die Großmutter liefert die fehlende Angabe: „Tyler? Ist Tyler dran?“ Der Bearbeiter hat nun den Namen — und die gefühlsmäßige Bestätigung, dass die angerufene Person die Prämisse bereits anzunehmen begonnen hat.
Die drei Stufen des Abschöpfens
Stufe eins: Die Krise
Der erfundene Notfall ist darauf angelegt, einen bestimmten neurologischen Zustand hervorzurufen: Panik. Zu den dokumentierten Krisenerzählungen zählen ein schwerer Autounfall, eine Festnahme im Ausland wegen Trunkenheit am Steuer oder ein medizinischer Notfall, der sofort Geld für eine Operation verlangt. Die Krise ist der Grund dafür, dass der Anruf kurz und aufgelöst ist. Das Hauptziel des Bearbeiters in Stufe eins ist nicht, die Stimmennachahmung durchzuhalten — es ist, die Panik auszulösen und rasch weiterzureichen, bevor ein genaues Hinhören überhaupt möglich wird. Die Kaperung des Mandelkerns, die in diesen dreißig Sekunden einsetzt, trägt die Annahme der Prämisse durch alles Weitere hindurch.
Stufe zwei: Die Amtsperson
Die zweite Stimme hat keine Angst. Sie ist ruhig, sachlich und Herr der Lage. Die Amtsperson tritt als jemand auf, der die Krise beheben kann — ein Pflichtverteidiger, ein Kautionsvermittler, ein Polizeibeamter, ein Krankenhausverwalter. Sie verschafft sich falsche Glaubwürdigkeit durch erfundene Einzelheiten: Dienstnummern, Aktenzeichen, Namen echter örtlicher Gefängnisse. Dann liefert sie den Baustein, der die ganze Operation tragfähig macht: die Anweisung zum Stillschweigen. Der angerufenen Person wird gesagt, die Sache müsse vor der Familie geheim bleiben, dargestellt als notwendiger Schutz (etwa eine „richterlich verhängte Schweigepflicht“). Damit ist jede schützende Beziehung ausgeschaltet, die sie hat.
Stufe drei: Das Geld
Die Zahlungswege werden nach einer bestimmten Kombination von Eigenschaften gewählt: Tempo, Unwiderruflichkeit und das Ausschalten institutioneller Reibung. Bargeldkuriere werden immer häufiger: Die betroffene Person hebt größere Bargeldbeträge ab und übergibt sie an der eigenen Wohnung unmittelbar einem Kurier. Bitcoin-Automaten in Läden um die Ecke verwandeln Bargeld binnen Minuten in Kryptowährung. Auch Überweisungen und Geschenkkarten kommen zum Einsatz. Gelingt das erste Abschöpfen, setzt die Operation sofort nach und behauptet, die Lage habe sich verschlechtert, und verlangt mehr Geld.
Die Technik: Was tatsächlich geschieht
Das Klonen von Stimmen hat zwischen 2022 und 2025 einen Sprung gemacht. Synthesemodelle brauchen heute nur drei bis zehn Sekunden Ton, um eine Nachbildung zu erzeugen, die vor dem Ohr derer besteht, die die Stimme am besten kennen.
Zwei unterschiedliche technische Verfahren kommen zum Einsatz:
- Sprachsynthese aus Text (Text-to-Speech, TTS): Erzeugt Ton aus einem geschriebenen Drehbuch. Bei ruhigem Vortrag sehr überzeugend, tut sich aber schwer mit den klanglichen Merkmalen echter seelischer Not.
- Stimmumwandlung in Echtzeit (Speech-to-Speech, RVC): Der Bearbeiter spricht mit eigener Stimme und echtem Gefühlsausdruck, und das Modell überträgt Klangfarbe und Tonhöhe in Echtzeit in die Stimme der Zielperson. Weil der gefühlsmäßige Gehalt aus der tatsächlichen Panik oder dem Schluchzen des menschlichen Bearbeiters stammt, bleiben die gefühlsbedingten Unregelmäßigkeiten vollkommen erhalten.
Der Anruf, der auf die Amtsperson hochschaltet
Der zweite Anruf — vom „Anwalt“ oder „Kautionsvermittler“ — folgt binnen Minuten auf den ersten. Seine Aufgabe ist es, den verbliebenen Zweifel aufzusaugen und in die Bereitschaft zu einem bestimmten Bargeldbetrag zu verwandeln.
Der Bearbeiter für die Amtsperson wird nach stimmlicher Glaubwürdigkeit ausgewählt. Die Rolle wird auf die Notfallerzählung des ersten Anrufs abgestimmt. Ging es im ersten Anruf um eine Festnahme wegen Trunkenheit am Steuer, kommt die Anwaltsrolle mit erfundenen Angaben zur Zuständigkeit, erfundenen Kautionssummen und erfundenen Verfahrensvorschriften. Die Genauigkeit ist mit Absicht hoch. Vage Notfälle erzeugen Zögern. Genaue erzeugen Dringlichkeit.
Der Bearbeiter für die Amtsperson entkräftet auch Einwände. Zeigt die angerufene Person Unglauben, beschwört er die gefühlsmäßige Dringlichkeit: „Ihr Enkel sitzt in einer Zelle. Wird die Kaution nicht vor der Morgensitzung hinterlegt, wird er in die Haftanstalt des Bezirks verlegt.“ Versucht sie, ein Familienmitglied zur Überprüfung anzurufen, liefert der Bearbeiter eine Erklärung, warum das alles schlimmer machen würde: „Das unterliegt der Vertraulichkeit. Ein direkter Kontakt könnte sein Verfahren gefährden.“
Die Anweisung zum Stillschweigen findet sich in allen dokumentierten Fällen. Sie ist kein Beiwerk. Sie ist der wichtigste Schutz der Operation gegen jenen einen Eingriff — dass ein zweiter Mensch die Geschichte hört —, der sie am verlässlichsten sprengt.
Der Abschöpfmechanismus: Bargeld und Kuriere
Bargeld ist der bevorzugte Abschöpfmechanismus beim Notfall in der Familie, weil es unwiderruflich ist und keinen Weg zur Beanstandung offenlässt. Die Anweisung lautet fast immer gleich: zur Bank gehen, den genannten Betrag abheben und ihn einem Kurier übergeben, der zur Wohnung oder an einen bestimmten Ort kommt.
Der Kurier ist in der Regel eine örtlich angeworbene Person — nicht Teil der eigentlichen Operation —, die über Zwischenkanäle angeheuert wird. Er nimmt das Bargeld entgegen und gibt es über eine Reihe von Übergaben weiter, die eine finanzielle Nachverfolgung nahezu unmöglich machen. In dokumentierten nordamerikanischen Fällen waren die Kuriernetze so aufgestellt, dass sie Vorstadthäuser binnen zwei bis vier Stunden nach dem ersten Anruf erreichten.
Einige Operationen nutzen inzwischen Krypto-Automaten zum Abschöpfen, besonders bei technisch versierten Betroffenen. Die betroffene Person soll Bargeld in einen Bitcoin-Automaten einzahlen und die daraus entstandene Kryptowährung an eine genannte Wallet-Adresse schicken. Der Vorgang ist ebenso unwiderruflich und unverfolgbar wie eine Bargeldübergabe, mit dem zusätzlichen Vorteil, dass das Glied Kurier aus der Kette fällt.
Der Gang zur Bank ist der eine Moment, in dem die Operation wirklich verwundbar ist. Angestellte, die die Verhaltensmerkmale dieses Betrugs erkennen — ältere Kundschaft, hohe Barabhebung, sichtbare Aufregung, Weigerung, über den Zweck zu sprechen —, haben ihn in dokumentierten Fällen genau an dieser Stelle unterbrochen. Wie gut Finanzinstitute darin schulen, ist höchst unterschiedlich.
Was zu sehen gewesen wäre
Ein unerwarteter Anruf von der Nummer eines Angehörigen, der sofort einen Notfall behauptet, für den Bargeld nötig ist. Eine Amtsperson, die sich nicht überprüfen lässt. Eine Anweisung zum Stillschweigen, die die angerufene Person abschottet. Eine Zahlungsaufforderung für unverfolgbares Geld.
Um diese Warnzeichen zu sehen, hätte die angerufene Person ruhig sein müssen. Der Anruf war darauf angelegt, genau das zu verhindern. Für ein Zeichen braucht es keine Ruhe: Wenn Sie den Menschen, dessen Stimme Sie gerade gehört haben, unabhängig erreichen können, ohne die Rückruftaste zu benutzen, dann tun Sie es. Diese eine Überprüfung beendet die Sache, bevor Geld fließt.