A voice cloning két szinten működik. A gyors változathoz a mai kereskedelmi szolgáltatók egy-két perc tiszta hangot kérnek, és ebből használható, felismerhető hangot adnak. A meggyőző, hosszabb szövegen is tartható klónhoz fél óra vagy több felvétel kell — és a komolyabb szolgáltatók ehhez hangalapú azonosítást is kérnek a beszélőtől.
A gyakran idézett „három másodperc elég" egy 2023-as kutatási modell re vonatkozik, amit a fejlesztője soha nem adott ki. A védekezés szempontjából ez mindegy: egy cégvezetőnél, akinek van konferencia-felvétele vagy céges videója, az a fél óra már megvan valahol nyilvánosan.
A leggyakoribb tévhit, hogy a technológia a kérdés. Nem az — az eldőlt. A kérdés jogi és etikai: kell-e hozzájárulás, mire terjed ki, és meddig érvényes. Magyar jogban a hangfelvételre és a képmásra vonatkozó szabály egyértelműbb, mint sokan hiszik, és nyilvános felvételből dolgozni nem jó kiindulópont.
A hozzájárulásról és a gyakorlati munkamenetről a voice cloning és a hozzájáruláscímű írás szól. A közvetlenül kapcsolódó fogalmak: deepfake, lipsync és AI voiceover.