Un deepfake vocal reproduit un timbre, un rythme, une élocution. Il ne reproduit pas un savoir-faire. C'est la distinction sur laquelle repose l'apport du facteur cognitif : la preuve demandée n'est pas « ressembler à quelqu'un » mais « savoir faire quelque chose » selon une méthode personnelle acquise hors ligne, qui n'a jamais circulé et ne s'imite pas. La voix devient alors ce qu'elle aurait toujours dû être : un moyen de conversation, pas un moyen de preuve.
Le problème que le clonage vocal a créé
Pendant des décennies, la voix a fonctionné comme une authentification implicite. On reconnaissait un conseiller, un collègue, un dirigeant. Ce mécanisme n'était écrit nulle part et fonctionnait précisément parce qu'il était difficile à falsifier.
La synthèse vocale à partir d'échantillons courts a supprimé cette difficulté, et elle l'a fait plus vite que les organisations n'ont adapté leurs procédures. Le résultat est un décalage : des circuits de décision entiers reposent encore sur une reconnaissance vocale devenue non fiable.
Deux usages sont concernés, et ils appellent des réponses différentes.
La biométrie vocale formalisée, utilisée comme facteur d'authentification téléphonique. Elle est directement ciblée, et dégradée par un canal qui masque une partie des artefacts de synthèse.
La reconnaissance implicite, non formalisée, exercée par un gestionnaire, un agent de support ou un collaborateur. Elle n'est encadrée par aucune procédure, ce qui la rend plus difficile à corriger que la première.
Ce que « je sais faire » oppose à une voix
Le facteur cognitif constitue un 4ᵉ facteur, distinct des trois familles habituelles.
| Famille de facteur | Nature de la preuve | Exposition au deepfake vocal |
|---|---|---|
| Ce que je sais (mot de passe, code) | Une valeur | Extorquable au téléphone |
| Ce que je possède (téléphone, clé) | Un objet | Contournable via la récupération |
| Ce que je suis (voix, visage) | Une caractéristique | Reproductible par synthèse |
| Ce que je sais faire (facteur cognitif) | Une méthode de résolution | Ni prononçable, ni imitable |
La quatrième ligne mérite d'être précisée pour éviter tout malentendu. Elle ne signifie pas qu'un modèle génératif « ne pourrait pas » résoudre un défi cognitif dans l'absolu. Elle signifie qu'il ne dispose pas de la méthode personnelle propre à l'utilisateur : cette méthode n'a jamais été transmise, ne se déduit pas d'échantillons publics, et ne réside pas sous forme réutilisable. Ce n'est pas la difficulté du défi qui protège, c'est le caractère personnel et non circulant de la méthode.
Le déplacement du canal de décision
L'apport opérationnel se formule en une règle : le canal de la demande n'est pas le canal de la décision.
Une demande peut arriver par téléphone — c'est légitime et souvent nécessaire. Elle ne s'exécute pas sur la foi de cet appel. Elle se conclut par un défi résolu dans un canal éphémère ouvert par QR code dynamique à usage unique, ce qui produit une preuve rattachée à une personne et à une opération.
Cette règle a trois vertus pratiques.
Elle dispense l'agent de juger. Il n'a plus à décider si la voix est authentique, jugement que le clonage rend impossible. Il vérifie qu'une preuve a été produite : question binaire.
Elle produit une trace. Là où un appel ne laisse rien d'exploitable, une résolution est un événement daté et imputable — ce qui compte pour les obligations de documentation issues de NIS2 ou de DORA selon le secteur.
Elle ne bloque pas l'activité. La conversation continue de se dérouler par téléphone ; seule la validation change de canal.
Ce qui subsiste
Deux limites doivent être posées.
La manipulation directe. Un appelant convaincant peut renoncer à usurper une identité et demander à sa victime d'effectuer elle-même l'opération. Celle-ci résoudra le défi, puisqu'elle veut agir. Ce scénario relève du délai, de la notification hors bande, de la séparation des pouvoirs et du score de risque contextuel — pas du facteur.
Les circuits non couverts. Si une opération sensible reste réalisable sans preuve d'intention par un autre chemin, l'attaquant l'utilisera. La cartographie des gestes, et non des écrans, conditionne donc l'efficacité réelle du dispositif.
Mise en œuvre : commencer par le téléphone
Le canal vocal est un bon premier périmètre, pour une raison pragmatique : il concentre le risque et il ne demande aucune modification des applications métier.
Concrètement, cela consiste à identifier les gestes aujourd'hui déclenchables sur la base d'un appel — modification de coordonnées bancaires, validation de paiement, ouverture d'accès, réinitialisation de facteur — et à exiger pour chacun une preuve produite hors du canal vocal. Le déploiement en overlay d'une MFA existante rend cette étape réalisable sans refonte du socle d'authentification.
FAQ
Faut-il conserver une biométrie vocale en complément ?
Elle peut alimenter un score de risque, jamais fonder seule l'autorisation d'un geste sensible. Le canal téléphonique dégrade le signal, et la course entre générateurs et détecteurs se poursuit.
Comment convaincre les métiers d'ajouter une étape ?
En montrant qu'elle remplace un jugement impossible par une vérification simple, et qu'elle protège le collaborateur autant que l'organisation : il ne portera plus la responsabilité d'avoir « cru une voix ».
Un attaquant pourrait-il observer plusieurs résolutions et apprendre la méthode ?
Le polymorphisme fonctionnel et l'exécution mouvante font varier les paramètres d'une sollicitation à l'autre, ce qui prive une observation répétée de la stabilité nécessaire pour en déduire un modèle.
Cela fonctionne-t-il pour les clients grand public ?
Oui, à condition que l'enrôlement soit soigné et que l'exigence se concentre sur les gestes à fort impact. Une friction généralisée sur une population grand public produit des abandons.
Aller plus loin : le pilier authentification cognitive · deepfake et fraude au faux conseiller · les 4 facteurs d'authentification · deepfake vocal dans la banque