3초면 당신 목소리가 복제됩니다 — 그런데 은행은 아직도 목소리로 본인 확인을 하고 있죠

인스타그램 스토리에 올린 짧은 영상, 회사 유튜브에 나간 인터뷰, 심지어 낯선 번호로 걸려온 전화에 “여보세요"라고 답한 그 순간. 요즘 음성 복제 기술에는 이 정도면 충분합니다. 몇 초짜리 샘플만 있으면 억양과 호흡까지 흉내 낸 목소리가 만들어지는데요. 문제는 그 사이에도 은행 콜센터와 기업 인증 시스템은 여전히 “목소리가 곧 비밀번호"라는 전제 위에서 돌아가고 있다는 겁니다.

먼저 솔직하게 말씀드리면, 이번 주제는 최근 30일 커뮤니티 데이터가 거의 잡히지 않았습니다. 그래서 이 글은 실시간 반응 정리보다는, 지난 몇 년간 쌓인 사례와 기술 흐름을 바탕으로 한 구조적 분석에 가깝습니다. 숫자보다 논리를 따라와 주시면 좋겠습니다.

3초라는 숫자가 의미하는 것

과거 음성 합성은 성우가 스튜디오에서 몇 시간씩 녹음해야 했습니다. 지금은 다릅니다. 최신 제로샷(zero-shot) 음성 복제 모델은 수 초 분량의 참조 오디오만으로 화자의 음색을 잡아냅니다. 모델이 이미 수만 시간의 다양한 목소리로 학습을 마쳤기 때문에, 개인의 샘플은 “이 사람이 어떤 좌표에 있는지” 알려주는 힌트 역할만 하면 되는 구조입니다.

여기서 중요한 건 진입 장벽입니다. 예전엔 이 기술을 쓰려면 연구자거나 돈이 많아야 했습니다. 지금은 오픈소스 모델을 노트북에 내려받아 돌릴 수 있고, 상용 API는 월 구독료 수준입니다. 공격 비용이 사실상 0에 수렴했다는 뜻인데요. 보안에서 공격 비용이 무너지면, 방어 논리도 같이 무너집니다.

음성 인증은 왜 원래부터 취약했나

음성 인증의 근본적인 문제는 목소리가 비밀이 아니라는 점입니다. 비밀번호는 감출 수 있습니다. 목소리는 감출 수 없습니다. 우리는 매일 목소리를 공개적으로 뿌리고 다닙니다. 통화하고, 회의하고, 영상 올리고, 팟캐스트에 나갑니다.

생체 인증 전반이 공유하는 딜레마이기도 합니다. 지문도 얼굴도 유출되면 바꿀 수 없습니다. 하지만 지문은 최소한 손가락을 아무 데나 찍고 다니진 않죠. 목소리는 다릅니다. 취득 난이도가 압도적으로 낮습니다. 그래서 음성은 생체 인증 중에서도 가장 먼저 무너질 후보였고, 실제로 그렇게 되고 있습니다.

몇 년 전 한 기자가 자기 목소리를 복제해 은행 음성 인증을 뚫는 실험을 공개하면서 업계가 술렁였는데요. 그 시점의 기술은 지금 기준으로는 구식입니다. 그때 뚫렸다면, 지금은 더 쉽게 뚫립니다.

진짜 피해는 시스템이 아니라 사람에게서 납니다

기술 논쟁은 “음성 인증 시스템을 뚫을 수 있느냐"에 집중되지만, 실제 금전 피해의 대부분은 훨씬 단순한 경로로 발생합니다. 사람을 속이는 것입니다.

전형적인 시나리오는 이렇습니다. 자녀나 손주 목소리로 울먹이며 전화가 옵니다. 사고가 났고, 급하게 돈이 필요하다고 합니다. 목소리가 맞으니 의심할 여지가 없습니다. 실제로 홍콩에서는 화상회의에 등장한 임원진 전원이 딥페이크였고, 직원이 2,500만 달러를 송금한 사건이 있었습니다. 음성만이 아니라 영상까지 조합된 사례였죠.

기업 쪽도 비슷합니다. 해커가 IT 헬프데스크에 전화를 걸어 직원 목소리로 비밀번호 초기화를 요청합니다. 헬프데스크 직원은 목소리를 듣고 “본인 맞네” 하고 넘어갑니다. 실제 대형 침해 사고 상당수가 이런 사회공학에서 출발했습니다. 음성 복제는 이 공격의 성공률을 크게 끌어올리는 부스터인 셈입니다.

딥페이크 탐지는 해답이 아닙니다

그럼 AI로 만든 음성을 AI로 잡아내면 되지 않느냐는 질문이 나옵니다. 실험실에서는 탐지 모델이 꽤 높은 정확도를 보입니다. 문제는 실전입니다.

첫째, 전화망 품질이 탐지를 방해합니다. 음성 통화는 대역폭을 극단적으로 압축합니다. 합성 음성의 미세한 아티팩트가 압축 과정에서 뭉개집니다. 탐지 모델이 근거로 삼던 단서가 통화 회선을 지나며 사라지는 겁니다. 공격자 입장에선 오히려 전화가 유리한 채널입니다.

둘째, 군비 경쟁의 구조가 불리합니다. 탐지 모델이 특정 생성기의 흔적을 학습하면, 다음 세대 생성기가 그 흔적을 지웁니다. 방어는 항상 한 발 늦습니다. 게다가 오탐 비용도 큽니다. 진짜 고객을 가짜로 판정해 계좌를 막아버리면 그 자체가 사고입니다.

셋째, 탐지는 확률을 줄 뿐 증명을 주지 못합니다. “87% 확률로 합성입니다"라는 출력으로 송금을 승인할지 말지 결정해야 하는 상황을, 규제 당국과 소송 변호사가 어떻게 볼지 생각해 보시면 답이 나옵니다.

그래서 뭘 해야 하나

방향은 명확합니다. 목소리를 인증 수단에서 내리는 것입니다. 목소리는 “누가 말하고 있는지"에 대한 힌트일 뿐, 신분증이 아닙니다. 인증은 소유 기반(휴대폰, 하드웨어 키)이나 지식 기반(비밀번호, OTP)으로 옮겨야 합니다.

기업 입장에서 당장 할 수 있는 조치는 두 가지입니다. 하나는 대역 외 확인입니다. 전화로 온 요청은 전화로 확인하지 않습니다. 별도 채널로 콜백하거나 앱 승인을 요구합니다. 다른 하나는 절차의 무결성입니다. “급하다"는 이유로 절차를 건너뛰는 예외를 아예 없애는 겁니다. 사기의 핵심 무기는 목소리가 아니라 긴급성이니까요.

개인 차원에서는 가족 간 암구호가 의외로 효과적입니다. 유치하게 들리지만, AI가 절대 알 수 없는 정보를 묻는 것만큼 확실한 방법이 없습니다. “우리 강아지 이름 뭐였지?” 한마디면 됩니다. 그리고 돈 이야기가 나오는 전화는 무조건 끊고 다시 걸어보시는 습관을 권합니다.

목소리는 이제 신원이 아니라 콘텐츠입니다. 복사 가능하고, 편집 가능하고, 생성 가능합니다. 그런데도 우리의 인증 체계와 심리적 신뢰는 아직 “목소리는 그 사람의 것"이라는 낡은 전제 위에 서 있습니다. 이 간극이 사기꾼의 수익 모델입니다.

여러분이 쓰는 서비스 중에 아직 목소리로 본인 확인을 하는 곳이 있는지, 한번 떠올려 보시면 어떨까요. 그리고 가족과의 암구호는 오늘 정해두시는 게 좋겠습니다. 필요해지는 순간엔 이미 늦거든요.