大讲堂
我蹲在苏州农商行的开标室外面时，2026年的梅雨季还没到，玻璃上蒙着一层薄的水汽。
8家厂商竞标全行的AI语音反诈鉴伪系统，总预算420万。
报价拆出来的时候，全场静了三秒。
常年做银行IT集成的头部厂商报了268万，比去年同类型项目的报价低了整整42%。剩下三家小厂商的报价分别是97万、83万、79万——连头部去年报价的三分之一都不到。
评标专家当场把标书翻得哗哗响，眉头皱得能夹碎笔。标书里的技术要求写得明明白白：对经过社交软件压缩、带30%以上环境噪音、用蓝牙耳机录制的仿冒亲属声音的诈骗音频，识别召回率不能低于95%。
之前跟我熟的评标老专家散场的时候吐槽，去年有个中标的厂商，上线之后系统的真实场景识别率才刚过60%，反诈中心天天接投诉，说骗子用AI模仿老人的声音骗光了养老钱，系统连个警报都没弹。
实验室里测出来的99%以上的准确率，根本不算数。之前某头部厂商公开的测试数据，是在无噪音的录音棚环境下，用专业麦克风录的合成语音，识别率99.3%，一旦拿到真实的诈骗音频样本库测试，良率直接跌到42%。这个落差相当于把实验室里跑通的高效光伏组件，拉到西北风沙区连续晒三个月，转换效率直接砍半还多。
买单的人从来不会为PPT上的数字掏钱。东部某省的农商行系统，去年一年因为AI语音诈骗的涉案金额累计1.2亿，差不多相当于三家县级农商行全年的网点净利润总和。换谁当行长，都得把这笔预算攥紧了花，再也不信发布会上喊的”100%鉴伪”口号。
报价反常的开标现场 藏着行业的良率底牌
杭州余杭产业园里有个做语音鉴伪的小公司，总共27个人，一半是音频标注员。我去年年底去他们办公室蹭茶喝，老板把服务器密码输进去给我看核心资产——攒了5年的120万条真实诈骗录音，每条都标了生成用的是哪个版本的语音大模型、经过了多少层社交软件压缩、环境噪音的分贝是多少、模仿的是哪种亲属关系的语气。
现在圈里都在说卷算法，其实早就卷不动了。鉴伪模型每提升1个百分点的真实场景识别率，对应的数据标注、算力成本就要涨差不多300万——这个钱相当于招一个10人研发团队干半年的总人力成本，但是这1%的提升，刚好就是招投标现场能不能过技术门槛的关键。
那些前两年靠着通用语音大模型融资几轮的厂商，本来以为转做鉴伪是捡现成的便宜，直到蹲在开标现场看到标书里的测试要求，才发现之前在实验室里调的所有参数全是废的。他们手里的模型都是用公开数据集训练的，根本拿不出真实的场景样本，现在库存的算法demo卖不出去，之前融的钱烧得七七八八，好多人在产业二手群里甩卖模型权重，开价才不到50万，连当初研发投入的零头都不到。
说穿了，现在的鉴伪行业，根本不是比谁的算法更先进，是比谁攒的”骗子录音”更多——就像跑了三十年的老刑警，见的小偷多了，哪怕对方换了便装，老远就能认出不对劲，光在警校课本上背再多理论，到了街上也抓不到真小偷。
现在国内的几个音视频标准联盟，正在牵头写《真实场景音频鉴伪测试规范》。之前的测试全是用公开的、干净的合成音频，现在要把微信语音压缩、蓝牙传输损耗、地铁和菜市场的背景噪音这些真实场景的参数全加进去。谁手里的真实样本够全，谁就能把测试参数往自己的优势上靠，把竞争对手挡在门外。之前有个做样本库的老板跟我说，有个互联网大厂的人找他开价2000万买他的120万条录音，他没卖——这个样本库会跟着每一个中标的项目越滚越大，后面的人根本追不上。
卷不动的算法 卷不完的样本库博弈
现在的招投标文件里，已经开始明确要求鉴伪系统要能区分”真人自然说话的录音”和”AI生成的录音”。这行字看着是技术要求，实际上直接把好多普通从业者的日常工作框进了整个博弈链条里。
之前做电销的、做客服的、甚至是做独立播客的普通人，他们的日常录音，都在不知不觉中被各个公司当成了训练样本，既没拿到授权，也没拿到半分报酬。我上个月在深圳福田见了个做贷款电销的小姑娘，她之前干了两年，打了快1万通客户电话，结果最近发现自己的声音被某家鉴伪公司当成了”AI合成语音的基准参照样本”。她自己给银行客服打电话咨询业务，系统直接弹了警报，把她的号码标记成”疑似AI诈骗号码”，说她的声音和样本库里的AI合成声音相似度达到87%。
她为了解除这个标记，跑了三趟银行网点，填了身份证、工作证明，甚至还要录一段实时的人脸加声音验证视频，折腾了整整12天，才把标记消掉。
现在好多接了订单的鉴伪厂商，之前承诺的3个月交付期，根本交不出来。因为要把新拿到的诈骗样本喂给模型微调，还要反复在真实场景里测良率，交期拖到6个月都是常事。客户已经开始按合同扣违约金，有的厂商现金流快断了，干脆把项目转包给小团队做，结果良率根本不达标，最后两边都吃亏。
没有人会跟你提这些细节。所有的发布会都在说技术如何先进，所有的标书都在说系统如何可靠，只有蹲在现场的人知道，这行的利润、交期、库存、现金流，全跟那些没被标过价的真实录音绑在一起。
被写进参数的普通人声音
等再过两年，大模型迭代出来的合成声音和真人毫无差别的时候，那些攥着百万条真实语音样本的公司，到底是在帮普通人防诈骗，还是在给每个人的声音定”真伪资格”？
作者|大讲堂
排版|大讲堂
审核|白杨