A fő nehézség – és ezt a fejlesztők nem titkolják -, hogy valamilyen jelölőelemeket kell létrehozni, amelyek segítenek megkülönböztetni a mesterséges intelligencia hangját a valódi emberek hangjától. Ellenkező esetben egy ilyen eszköz gyorsan felhasználásra talál a támadók számára, hiszen elég a közösségi hálózatok bármelyik oldalára felmenni, és onnan „kölcsönvenni” hangmintákat a felhasználók számos személyes videójából. Mit mondjunk politikusok és hírességek nyilvános beszédeiről – ezzel a mesterséges intelligenciával a csalók könnyen telefonálhatnak, és személyes haszonszerzés céljából híres személynek adhatják ki magukat.
A Microsoft új mesterséges intelligenciája képes lemásolni egy ember hangját mindössze három másodperces hangfelvételből
