Група американски изследователи от Университета на щата Пенсилвания откриха, че слабите вибрации, създавани от телефонния високоговорител, могат да се използват за дистанционно подслушване на разговорите.

В ново проучване американските учени демонстрираха, че е възможно да се декриптират телефонните разговори, използвайки радарни данни, получени на разстояние около 3 метра от телефона. Отбелязва се, че точността на това декриптиране остава ограничена — около 60% за среден обем от 10 000 думи. Проучването се основава на проект от 2022 г., в който изследователите са използвали радарен сензор и софтуер за разпознаване на гласа, за да декриптират дистанционно 10 думи, букви и цифри с точност до 83%.

„Когато говорим по мобилен телефон, ние сме склонни да игнорираме вибрациите, предавани през високоговорителя, което кара целия телефон да вибрира. Ако уловим тези вибрации с помощта на дистанционни радари и приложим машинно обучение, за да разпознаем казаното, използвайки контекстуални сигнали, можем да разпознаем намерението на разговорите“ — обяснява първият автор на изследването, Суредадж Басак.

Суредадж Басак и неговият ръководител Махант Гоуда, съавтор на изследването от катедрата по компютърни науки и инженерство, използваха милиметров вълнов радар — същото устройство, използвано в автономните автомобили, сензори за движение и 5G безжичните мрежи — за да проучат потенциала на компактните устройства, базирани на радар. Целта на изследователите е да минимизират тези устройства до размер, който би им позволил да бъдат интегрирани в предмети като химикалки. 

Изследователите казват, че тяхната система е предназначена единствено за експерименти и е проектирана с мисъл за потенциални нападатели. Те са адаптирали Whisper — мащабен модел за разпознаване на реч с отворен код, задвижван от изкуствен интелект, за да декодират вибрациите в транскрипциите на известни езици.

„През последните три години имаше огромен пробив в областта на възможностите на изкуствения интелект и моделите за разпознаване на реч с отворен код. Можем да използваме тези модели, но те са по-фокусирани върху чистата реч или ежедневните задачи, така че трябва да ги адаптираме, за да разпознават нискокачествените, шумни радарни данни“ — казва Суредадж Басак. 

За да преминат от шумни данни към разпознаване на реч, без да преобучават целия модел Whisper, изследователите са използвали техника за адаптация, известна като нискорангова адаптация. Това е позволило на учените да специализират модела за радарните данни, преобучавайки само 1% от параметрите на Whisper.

За да запишат вибрациите, изследователите са използвали милиметров вълнов радар, разположен на няколко метра от телефона, за да улавят фините повърхностни вибрации, докато речта се е възпроизвеждала през високоговорителя. За да анализират данните, те са въвели този радарен сигнал в своята модифицирана версия на модела за разпознаване на реч Whisper, който е постигнал точност до 60%. Изследователите подчертават, че точността на транскрипцията може да се подобри чрез използване на ръчна корекция въз основа на контекста, като например коригиране на определени думи или фрази въз основа на предварителните познания за разговора. 

Авторите на изследването сравнили метода си с четенето по устни. Въпреки че четенето по устни улавя само около 30-40% от изговорените думи, много хора използват контекстуални сигнали, за да дешифрират достатъчно информация, за да участват в разговор.

„Целта на нашата работа беше да разберем дали тези инструменти биха могли потенциално да бъдат използвани от нападателите за подслушване на телефонни разговори от разстояние. Резултатите ни показват, че това е технически осъществимо при определени условия и се надяваме, че това ще повиши обществената осведоменост, за да могат хората да бъдат по-внимателни по време на поверителни разговори“ — заключават изследователите. 

Резултатите от проучването бяха представени на конференцията ACM.