In unserer digital vernetzten Welt kann jede Stimme zur potenziellen Angriffsfläche werden. Neue technologische Möglichkeiten machen aus Ton und Sprache ein Instrument für Täuschung und Kriminalität. Prof. Dr. Adrian Leemann, Experte für Soziophonetik und forensische Phonetik, erläutert in diesem Zusammenhang die Veränderung seines Forschungsgebiets: Wo die Untersuchungen früher eher sprecherprofilorientiert waren, fokussiert man sich heute vermehrt auf die Signalauthentizität (Ringvorlesung Digitale Sicherheit auf dem Prüfstand – Was Cyberkriminalität tatsächlich anrichtet. Vortrag Prof. Dr. A. Leemann «Stimme geklaut, Vertrauen zerstört: Deepfakes und Stimmklone im Cybercrime», Universität Bern, 27.10.2025).
Das Problem: Immer bessere Stimmklone und Audio-Deepfakes
Aus phonetischer Sicht sind Stimmen nicht nur Klangmuster, sondern komplexe Prozesse: Artikulation, Prosodie (Lautstärke, Tempo und Sprachmelodie), Pausenverhalten, Struktur der Formanten (Frequenzbereiche von Vokalen und einigen Konsonanten), Atem- und Schluckrhythmen. Bei von Menschen gesprochener Sprache entstehen dabei viele auditive Merkmale, die sich von einer anorganischen Kunststimme unterscheiden.
So zeigte eine Studie, die Zeitabstände zwischen Sprechsegmenten, also Mikro- und Makropausen, untersuchte, dass geklonte Stimmen signifikant anders strukturiert sind als echte: längere Zeit zwischen Pausen, geringere Variation in der Segmentlänge etc.[1] Nicht zuletzt deswegen waren künstliche Stimmen und Stimmkopien bis vor einigen Jahren relativ einfach identifizierbar. Nicht zuletzt deswegen waren künstliche Stimmen und Stimmkopien bis vor einigen Jahren relativ einfach identifizierbar.

Dies zeigt sich auch in der Umkehr: Forschende modellierten den Vokaltrakt, den eine künstliche Stimme basierend auf ihren artikulatorischen Merkmalen haben müsste – und kamen auf eine unrealisitsche, strohhalmähnliche Vokaltraktform.[2]
Mit neuen technologischen Möglichkeiten verändert sich die Ausgangslage jedoch. Bessere Stimm-Klone (Voice Cloning) und Audio-Deepfakes nähern sich immer mehr der menschlichen Sprache an und ermöglichen es Kriminellen, bewusst Vertrauen herzustellen, um Betrug zu begehen. Mit nur wenigen Sprachdaten können echte menschliche Stimmen künstlich nachgemacht werden. Per Eingabe geben sie den gewünschten Text wieder: Zum Beispiel kann die geklonte Stimme eines Vorgesetzen am Telefon Vertrauen bei angerufenen Mitarbeitenden hervorrufen und diese so dazu bewegen, eine Handlung zu vollziehen. Studien zeigen: Beim Einsatz von synthetischen Stimmen gelingt es überraschend häufig, Menschen zu täuschen. So konnten Versuchspersonen Deepfake-Audios nur in etwa 73 % der Fälle korrekt als falsch identifizieren[3].

Schwindende Evidenzkraft
Aus Sicht der forensischen Linguistik wirft dies fundamentale Fragen auf: Zuvor galt die Annahme, dass die Stimme zur exakten Identifikation einer Person dienen kann. Doch wenn die Stimme synthetisch nahezu perfekt imitiert werden kann, gilt diese Annahme nicht mehr. Die Evidenzkraft von Stimmaufnahmen sinkt, wie in einem aktuellen Artikel über die «Authenticity of Linguistic Evidence» diskutiert wird.[4] Für die Praxis bedeutet dies: Wenn Betrüger*innen etwa mit einer Führungskraft autorisierte Überweisungen erwirken oder Mitarbeiter*innen täuschen, wird über Stimme nicht mehr Vertrauen geschaffen, sondern Vertrauen zerstört. Die Verlässlichkeit von «Das ist ja die Stimme dieser Person» wird infrage gestellt.
Was kann also getan werden?
Auf technischer Seite gibt es Detektionsverfahren (Deepfake-Detection) zur Klassifikation, die zum Beispiel auf MFCCs (Mel-Frequency Cepstral Coefficients) basieren, einer kompakten Darstellung des Frequenzspektrums von Spracheinheiten. Weiter gibt es Verfahren über die Analyse von spektralen Mustern, die in der Sprachproduktion gemessen werden können und feine Unterschiede zwischen menschlicher und synthetischer Sprache ausmachen können.[5]
Auch neuromodellierte Netzwerke tragen zur Identifikation bei, zum Beispiel Self-supervised Modelle wie HuBERT, die lernen, wie Spracheinheiten physikalisch und akustisch aufgebaut sind und feinkörnige Unterschiede zwischen menschlichen und künstlichen Stimmen identifizieren können.[6] Solche subtile akustische Details erweisen sich als robustere Indikatoren für die Identifikation von Deepfakes als bislang genutzte globale Merkmale: Sie korrespondieren mit konkreten artikulatorischen Mechanismen.[7]

Doch trotzdem bliebt menschliche Wahrnehmung limitiert: Eine Studie zur Erkennung zeigt, dass selbst informierte Hörer*innen keine verlässlichen Entscheidungen treffen können.[8]
In der Praxis bieten sich zurzeit folgende Optionen:
- Mehrfaktor-Authentifizierung auch bei Stimme (z. B. Challenge-Response, bei der auf eine unvorhersehbare Herausforderung reagiert werden muss).
- Sensibilisierung dafür, dass vermeintlich vertraute Stimmen manipuliert sein könnten.
- Einsatz linguistisch-phonetischer Detektionsmechanismen und Kooperation mit Spezialist*innen der Forensischen Phonetik.
- Regelmässige Auditierung von Kommunikationswegen, speziell bei externen Anrufen oder Finanzfreigaben.
Fazit
Digitale Sicherheit darf sich nicht mehr nur auf PINs, Passwörter oder biometrische Stimme verlassen. Sie muss die Dimension der Stimm-Manipulation mitdenken, besonders in Unternehmen, Behörden und der sicherheitsrelevanten Kommunikation. Einst war die Stimme ein Symbol für Identität und Intimität; Im Zeitalter von KI-Stimmklonen wird sie zur potenziellen Schwachstelle. Wer digitale Sicherheit ernst nimmt, darf diesen Aspekt nicht ignorieren. Linguistik und Phonetik liefern hier dringend nötige Perspektiven, um das Vertrauen im digitalen Raum zu bewahren.
LITERATURVERZEICHNIS
[1] Kulangareth NV, Kaufman J, Oreskovic J, Fossat Y. Investigation of Deepfake Voice Detection Using Speech Pause Patterns: Algorithm Development and Validation. JMIR Biomed Eng. 2024 Mar 21;9:e56245. doi: 10.2196/56245. PMID: 38875685; PMCID: PMC11041410.
[2] Blue L, Warren K, Abdullah H, Gibson C, Vargas L, O’Dell J, Butler K, Traynor P (2022). Who Are You (I Really Wanna Know)? Detecting Audio DeepFakes Through Vocal Tract Reconstruction. University of Florida, Gainesville, FL.
[3] Mai KT, Bray S, Davies T, Griffin LD. Warning: Humans cannot reliably detect speech deepfakes. PLoS One. 2023 Aug 2;18(8):e0285333. doi: 10.1371/journal.pone.0285333. PMID: 37531336; PMCID: PMC10395974.
[4] Safwat Ali Saleh, D. (2023). Authenticity of Linguistic Evidence in Judicial Proof: Applied study of technical Voiceprint analysis in the light of Forensic Linguistic. Journal of Law and Emerging Technologies, 3(2). https://doi.org/10.54873/jolets.v3i2.149
[5] Li, L., Lu, T., Ma, X., Yuan, M., & Wan, D. (2023). Voice Deepfake Detection Using the Self-Supervised Pre-Training Model HuBERT. Applied Sciences, 13(14), 8488. https://doi.org/10.3390/app13148488
[6] Li, L., Lu, T., Ma, X., Yuan, M., & Wan, D. (2023). Voice Deepfake Detection Using the Self-Supervised Pre-Training Model HuBERT. Applied Sciences, 13(14), 8488. https://doi.org/10.3390/app13148488
[7] Tianle Yang, Chengzhe Sun, Siwei Lyu, Phil Rose (2025). Forensic deepfake audio detection using segmental speech features.
[8] Mai KT, Bray S, Davies T, Griffin LD. Warning: Humans cannot reliably detect speech deepfakes. PLoS One. 2023 Aug 2;18(8):e0285333. doi: 10.1371/journal.pone.0285333. PMID: 37531336; PMCID: PMC10395974.
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
desireekueffer (2. März 2026). Wenn Stimmen nicht mehr authentisch sind: Mit Phonetik gegen Deepfakes und Stimmklone. Einblicke in die Digital Humanities. Abgerufen am 6. März 2026 von https://doi.org/10.58079/15sir
