Mercor에서 AI 계약직 4만 명의 음성 샘플 4TB 탈취 — 내 목소리가 악용되고 있는지 확인하는 방법

Who Should Read

AI 학습 데이터 수집 플랫폼을 운영하거나 이용한 개발자, 그리고 음성 인증·생체 데이터를 서비스에 활용 중인 백엔드·보안 개발자.

Core Mechanics

• 2026년 4월 4일, 해킹 그룹 Lapsus$가 AI 학습 데이터 플랫폼 Mercor에서 약 4TB 분량의 데이터를 탈취해 자신들의 유출 사이트에 공개했다. 피해 계약직은 4만 명 이상으로 보고됐다.
• 이번 유출이 특히 위험한 이유는 음성 녹음과 신분증(여권·운전면허증) 스캔이 한 데이터베이스의 같은 행에 묶여 있기 때문이다. 기존 유출 사고는 둘 중 하나만 포함되는 경우가 대부분이었는데, 이번엔 두 가지가 결합된 '딥페이크 즉시 사용 가능 키트'가 노출됐다.
• Mercor 계약직의 음성 녹음은 평균 2~5분 분량의 조용한 환경에서 녹음된 스크립트 낭독이다. WSJ 2026년 2월 보도에 따르면 시중에 유통 중인 음성 복제 도구는 15초의 깨끗한 음성만 있으면 충분하므로, 유출된 샘플은 그 기준을 훨씬 초과한다.
• 은행 음성 인증 우회 공격이 실질적인 위협이다. 미국과 영국의 일부 은행은 여전히 음성 매칭을 2차 인증 수단으로 사용하는데, 복제된 음성으로 챌린지 구문을 읽으면 음성 인증 관문이 열린다.
• 비싱(Vishing, 전화 사기)으로 피해자의 회사 HR·재무팀에 전화해 급여 이체처 변경이나 송금을 요청하는 공격도 실제로 여러 차례 발생했다. Krebs on Security 아카이브에 따르면 2023년 이후 이런 방식의 확인된 사례가 20건 이상이다.
• 2024년 홍콩 Arup 사건처럼 딥페이크 화상통화로 2,500만 달러를 가로챈 전례가 있다. Arup 사건은 공개된 영상·음성으로 만들었는데, 이번 Mercor 유출은 스튜디오급 음질 음성과 신분증이 함께 있어 그보다 훨씬 정밀한 위조가 가능하다.
• 보험 콜센터를 노린 합성 음성 공격도 급증 중이다. Pindrop 보고서에 따르면 2025년 한 해 동안 보험 콜센터 대상 합성 음성 공격이 전년 대비 475% 증가했으며, 자동차·생명·장애 보험이 주요 타깃이다.
• FBI에 따르면 2026년 60세 이상 피해자의 인터넷 사기 피해액은 23억 달러에 달했고, 가장 빠르게 증가한 유형은 '합성 음성으로 가족을 사칭해 위기 상황을 꾸미는 긴급 사기'였다.

Evidence

• 원문이 피해자를 위한 무료 음성 분석 서비스를 홍보하자, 댓글에서 '음성 데이터를 AI 기업에 탈취당한 피해자가 자기 음성을 또 다른 AI 기업에 보내는 꼴'이라는 신랄한 지적이 나왔다. 이 서비스는 ORAVYS라는 음성 분석 스타트업이 운영하는 것으로, 글 자체가 마케팅성 콘텐츠라는 의심도 제기됐다.
• 음성과 신분증이 결합된 유출은 비밀번호 유출과 근본적으로 다르다는 의견이 많았다. '비밀번호는 바꿀 수 있지만 목소리는 교체할 수 없다'는 점에서 생체 정보를 '영구 비밀번호(forever password)'로 인식해야 한다는 프레이밍이 공감을 얻었다.
• 서버에 음성 생체 데이터를 중앙화해 보관하는 관행 자체를 문제 삼는 댓글이 주목받았다. Whisper.cpp가 스마트폰에서 돌아가고 WebGPU도 지원되는 2026년에 왜 브라우저·온디바이스 처리를 하지 않냐는 지적이었다. 결론은 '서버 집중 처리가 비용이 싸기 때문인데, 주기적인 침해 비용을 반영하면 그 계산이 성립하지 않는다'는 것이었다.
• 독일어 '다텐슈파르잠카이트(Datensparsamkeit)'를 언급하는 댓글이 여러 개 공감을 받았다. '데이터 절약주의'를 뜻하는 이 단어처럼, 애초에 핵심 서비스에 필요하지 않은 데이터를 수집하지 않는 것이 최선의 방어라는 주장이다.
• AI 학습 데이터 수집 기업의 구조적 문제를 지적하는 댓글도 있었다. 데이터를 라벨링·수집하는 계약직은 전체 AI 공급망에서 가장 보호받지 못하는 계층인데, 그 파이프라인 자체가 공격 표면이 됐다는 점에서 '추악한 노동 문제'라는 표현이 등장했다.

How to Apply

• 음성 인증을 2차 인증 수단으로 사용 중인 서비스를 운영한다면, 단일 채널 음성 매칭 대신 liveness detection(실시간 사람 여부 판별)과 챌린지-응답 방식을 결합하거나, AudioSeal 워터마킹이나 AASIST 안티-스푸핑 모델을 파이프라인에 추가해 합성 음성 공격을 걸러낼 수 있다.
• AI 학습 데이터 수집 파이프라인을 설계하거나 외부 업체를 선정하는 경우, 음성 녹음과 신분증 스캔을 같은 데이터베이스 행에 저장하는 구조를 피하고, 두 데이터를 서로 다른 암호화 저장소에 분리하며 연결 키를 별도로 관리해 침해 시 피해 범위를 최소화할 수 있다.
• 음성·생체 데이터를 서버에 중앙화해 저장 중인 서비스라면, Whisper.cpp나 WebGPU 기반 브라우저 내 처리를 검토해볼 수 있다. 온디바이스 처리로 전환하면 생체 원본이 서버에 남지 않아 서버 침해 시 유출될 데이터 자체가 없어진다.
• Mercor 등 AI 데이터 수집 플랫폼을 통해 계약직으로 참여한 적이 있다면, YouTube·팟캐스트·Zoom 녹화 등 공개 인덱싱된 자신의 음성 샘플을 검색해 삭제하고, 음성 인증을 사용하는 은행·증권 계정의 인증 방식을 SMS OTP 또는 하드웨어 토큰으로 교체하는 것이 권장된다.

Terminology

관련 논문

• MTG Bench: LLM들이 Magic: The Gathering을 얼마나 잘 플레이하는지 테스트

  카드 게임 MTG의 규칙 준수 능력으로 LLM의 복잡한 규칙 추론 능력을 측정하는 독창적인 벤치마크로, gpt-5.5가 95.4점으로 1위를 차지했다.

• ALIGNBEAM: Cross-Vocabulary Logit Mixing을 통한 Inference-Time Safety Alignment 전이

  도메인 파인튜닝으로 망가진 LLM 안전성을, 재학습 없이 추론 시점에 작은 안전 모델에서 빌려와 복구하는 방법.

• iPad가 Tailscale에 연결되어 있었다: WebRTC 디버깅 이야기

  WebRTC 데이터 채널에서 iPad만 응답을 못 받는 희귀 버그를 추적한 결과, webrtc-rs의 하드코딩된 MTU 상수와 Tailscale의 IPv6 Fragment 패킷 드롭이 동시에 작용한 복합 버그였다는 2주간의 디버깅 실화.

• LLM이 고전적인 Hyperparameter 최적화 알고리즘을 이길 수 있을까?

  LLM 기반 하이퍼파라미터 최적화 에이전트와 CMA-ES, TPE 같은 고전 알고리즘을 직접 비교한 연구로, LLM 단독으로는 고전 방법을 이기지 못하지만 두 방법을 합친 하이브리드 'Centaur'가 최고 성능을 낸다는 결론이 나왔다.

• 눈이 보는 것, LLM이 놓치는 것: Human Perception을 이용한 Adversarial Text Attack

  Bold, 하이라이트, 공백 배치 같은 타이포그래피 트릭으로 GPT-4o, Llama Guard 등 10개 콘텐츠 모더레이션 시스템을 99% 이상 우회할 수 있다.

• Claude가 rsync의 버그를 증가시켰는가? 데이터 분석

  rsync 프로젝트에 Claude AI가 도입된 이후 버그가 늘었다는 소셜 미디어 주장을 실제 데이터와 통계 분석으로 검증한 글로, 결론적으로 Claude 도입 후 릴리즈가 역사적 분포에서 유독 버그가 많다는 통계적 근거는 없었다.

Related Resources

• 원문: 4TB of voice samples stolen from 40,000 AI contractors (ORAVYS)
• Krebs on Security — 비싱(Vishing) 사례 아카이브