📄 WavLM 哪一层最懂伪造痕迹：伪造语音检测的逐层解读
英文题目：Interpreting SSL Representations for Spoof Detection: a WavLM Study
评分：5.6/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5
👥 作者与机构
- Mohamed Mallat：机构信息未能在本次解析中与作者逐人可靠绑定
- Michele Panariello：机构信息未能在本次解析中与作者逐人可靠绑定
- Massimiliano Todisco：机构信息未能在本次解析中与作者逐人可靠绑定
- Nicholas Evans：机构信息未能在本次解析中与作者逐人可靠绑定
- Anthony Larcher：机构信息未能在本次解析中与作者逐人可靠绑定
📌 核心摘要
伪造语音检测要判断输入语音来自真人还是语音合成、语音转换或对抗滤波处理，难点在于自监督前端内部表示不透明，难以知道判别线索藏在哪一层、随攻击类型如何变化。论文冻结WavLM Base，先把每层768维帧级表示经均值加标准差池化拼成1536维话语向量，再用训练集为每层单独训练线性分类器，以开发集等错误率选模型并报告真伪可分性，判别强的层向量直接作为后续解释的输入。接着把该1536维层向量经主成分分析降至50维后，与17个人工声学特征做投影加权典型相关分析，输出各层与各特征对齐强度以解释行为差异与失效原因。然后把不同层子集的1536维向量拼接成k×1536维向量重训探针做8191种组合搜索，并对同一层向量用t-SNE观察攻击组织方式。结果显示中后层最具判别力，第11层在评测集上等错误率为6.07%，低于第12层的7.3%，显示语音质量敏感性与谱信息保留需平衡。在同一评测集等错误率下，7-9-10-11-12五层组合以6.1%超过全部13层池化的8.08%，优选子集均集中在6-12层。多数谱与韵律特征在第7层附近对齐最强后衰减，只有抖动、闪烁和谐波噪声比随层加深而增强，深层把攻击组织成连续流形而非离散类别。这些结论只在ASVspoof 5第一赛道划分下成立，A22、A24、A28在深层等错误率超约30%，对抗滤波攻击在所有层等错误率远高于20%，且未在其他语料、真实录音或新攻击族验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
伪造语音检测要从输入中保留什么
这篇论文研究的是伪造语音检测，也叫欺骗对策。输入是一段待判定的语音波形，目标是判断它是真实人声还是经语音合成、声音转换或对抗滤波处理过的假语音。输出通常是一个真假分数，分数越能把两类分开越好。
难点在于假语音种类很多，编码和录音条件也多变。模型不能只记住某个合成器的固定痕迹，还要抓住更本质的合成失真，同时不能被静音长度等捷径线索带偏。近年很多系统直接用自监督语音模型做前端，再接后端分类器，准确率提高了，但哪一层在起作用、对应什么声音性质并不清楚。
本文选择 WavLM Base 作为研究对象。它在预训练时除了掩码预测，还加入了去噪目标，要在含噪和多人重叠的输入中恢复指定主说话人的被掩码目标。这种训练让模型既要保留说话人相关信息，又要对声学畸变保持稳定，正好与伪造检测同时关心音质畸变和说话人属性的需求相关。论文冻结该模型，只分析表示，不改进检测器本身。
已有路线为什么还缺逐层解释
按原文梳理，已有工作大致分 3 条线。第一条是伪造对策的后端路线，包括图注意力、Conformer 分类器和融合集成系统，常搭配 wav2vec 2.0、WavLM 等自监督前端，以及 RawBoost 增广和分数融合，目标是把 ASVspoof 5 上的错误率做低。
第二条是自监督模型的逐层分析路线。一般结论是浅层偏向局部声学，深层偏向更抽象的内容和说话人信息。在伪造检测里也有人试不同前端或做逐层决策融合，但多是为了提升性能，没有按攻击类型解释每一层编码了什么伪造相关信息。
第 3 条是声学线索路线。抖动、微光和谐噪比描述基频周期、幅度和谐波结构的微扰动，声码器容易把它们做得过平滑或不自然；共振峰轨迹能暴露转换模型难以复刻的精细发音细节；子带质心、频谱通量等频谱特征能留下分帧合成的不连续痕迹。这些特征可解释但单用性能不如自监督系统。原文的出发点是把第二条的表示分析工具和第 3 条的可解释特征连起来，看 WavLM 内部是否自发编码了同样的声学性质。
论文具体要回答哪三个问题
论文把大目标拆成 3 个可检验的问题。第一，WavLM 的哪几层携带最强的真假判别信息。第二，不同攻击家族对层深的依赖是否不同，也就是语音合成、声音转换和对抗攻击是否在不同抽象层级留下痕迹。第三，各层编码的可解释声学性质是什么，这些性质与已知的伪造标记如何对应。
为此作者声明了三项贡献：按攻击感知的逐层刻画，揭示层与攻击的强交互和中深层更可靠；层子集搜索，说明精选的紧凑层组合在线性后端下能超过全层池化；基于投影加权典型相关的声学 grounding，解释表示几何为何随层变化以及何时会失效，并用 t-SNE 的流形变化佐证。
需要强调适用边界。所有结论都建立在 ASVspoof 5 第一赛道的话语级真假判定、冻结 WavLM Base 和线性可分假设之上。换语料、换模型结构或换复杂后端，趋势可能变化，原文也在局限部分明确说了这一点。
整体流程如何把一段语音变成三组证据
理解全文可以沿着一个样本走。输入是一段波形，先送入冻结的 WavLM Base，得到从卷积层 L0 到 Transformer 层 L12 共 13 层帧级表示，每层每帧都是 768 维。接着对每一层沿时间轴求均值和标准差，把变长帧序列压缩成两个 768 维统计量，再拼接成 1536 维的话语向量。这个向量是后文所有分析的公共起点。
从这里分出两条分支。右下分支是逐层线性探测：对每一层单独训练一个线性真假分类器，在开发集选阈值，在开发集和评估集报告等错误率，并进一步按攻击编号拆出每个攻击的错误率热图。左下分支是声学 grounding：把 1536 维层表示经主成分分析降到 50 维，与 17 维手工声学特征做投影加权典型相关，得到层与特征的热图。
下面这张总览图把主路径和两条分支画在了一起，读图时重点看数据形状如何从变长变为定长，以及两条分支在哪里共用同一话语向量、在哪里输出不同形式的热图。
看图路径： 1. 先从左到右看波形经卷积层和 Transformer 层得到每层帧表示的主路径；2. 再看右上均值加标准差池化如何把变长帧变成 1536 维定长向量；3. 对比左下典型相关分支与右下逐层线性探测分支的输入和输出有何不同
论文图 1。原论文 Fig. 1:：“Overview of the analysis pipeline. Top: WavLM produces frame‐level layer representations; each layer is summarised by mean+std pooling to a 1536‐D utterance vector.”。
该图确实可见左侧波形进入卷积层 L0 再进入堆叠的 Transformer 层，中间每层保持帧数乘 768 的形状，右上经均值加标准差池化得到 1536 维向量，向下分别进入典型相关和逐层线性头。它帮助理解后文所有数字都不是端到端训练新前端得到的，而是同一组冻结表示经不同测量方式得到的。
逐层线性探测如何测量判别力
线性探测的做法很克制。对 L0 到 L12 的每一层，用训练集的话语向量训练一个独立的线性分类器，只区分真实与伪造。用开发集选出等错误率最低的模型，再在开发集和评估集的全部真假数据上报告等错误率。等错误率首次出现在这里，它衡量误接受率等于误拒绝率时的错误水平，数值越低表示该层线性可分的真假信息越强。
这样做的好处是透明。如果用复杂的图注意力或 Conformer 后端，性能提升可能来自后端建模，很难归因到层。线性头表达能力弱，能分开才说明该层表示本身已把真假线性拉开。代价是它只测线性可及信息，深层非线性可用的信息可能被低估。
攻击分组也在此引入。训练集含 A01 到 A08，开发集含 A09 到 A16，评估集含 A17 到 A32，评估集中还包含对已伪造话语再施加对抗滤波的攻击。分析时把 32 种攻击归为语音合成、声音转换和对抗增强三族。对抗攻击在该库中只施加于已伪造话语，没有直接对真实话语施加对抗扰动，这一点决定了对抗列的高错误率不能简单理解为真话被误判多了。
WavLM × 线性探测： WavLM 是负责把波形变成多层帧表示的冻结前端，线性探测是每层单独接一个线性分类器来量真假可分性的方法；前者提供待解释的对象，后者提供不引入复杂后端遮蔽的透明尺子，二者搭配才能把性能差异归因到层深。
典型相关如何把层表示翻译成声学语言
第二条分支要回答表示像什么。作者准备了 17 个手工声学特征，分 4 组。嗓音质量组 3 个：抖动、微光和谐噪比，描述声带微扰动，声码器已知会扭曲它们。韵律组 4 个：基频均值、基频标准差、能量均值和起振强度。频谱组 6 个：梅尔倒谱系数均值、频谱质心、滚降点、过零率、频谱熵和频谱通量。谐波与共振峰组 4 个：谐波比和第一到第三共振峰均值。
典型相关在这里的作用是找两组变量最相关的线性投影方向。一组是降维后的层表示向量，另一组是声学特征向量，分别投影后求相关，得到一系列典型相关系数。标准典型相关易受低方差方向干扰，因此采用投影加权版本，按每个典型方向在原表示中解释的方差量加权平均，方差大的方向权重更大。
\[\text{PWCCA}=\frac{\sum_{i=1}^{k}\alpha_{i}\rho_{i}}{\sum_{i=1}^{k}\alpha_{i}}\]该式计算加权平均的投影加权典型相关，其中分子是对各阶典型相关系数按投影权重加权求和，分母是权重之和，权重越大表示该方向在原表示中占据越多能量。具体实现时先把 1536 维降到 50 维，以满足样本数大于维度的要求并稳定估计，再双向计算后取平均；报告单特征相关时则看每个特征与层表示第一典型变量的平方相关。计算只用训练加开发划分并按攻击组做说话人均衡采样，每组至多 5000 条，评估集留到最后报告。
投影加权典型相关分析 × 手工声学特征： 投影加权典型相关分析是衡量两组变量经线性投影后最大相关的相似度工具，手工声学特征是可解释的嗓音质量、韵律、频谱和共振峰度量；前者负责算对齐程度，后者负责提供可解释的参照系，组合后才能说某一层更像哪类声学线索。
没有训练新前端时实际计算了什么
这篇论文没有训练或微调 WavLM，WavLM 全程冻结，只做特征提取。实际需要拟合的参数只有每层的线性探测头，以及为典型相关做的主成分分析投影和典型投影方向。线性头只在训练集上学习，开发集用于选模型和观察层模式，评估集只做 1 次最终报告，避免用评估集反复调层。
层子集搜索也不是训练前端。它枚举从 13 层中选任意非空子集的全部 8191 种组合，对每种组合把对应层的 1536 维向量拼接成 k 乘 1536 维长向量，再训练一个线性探测器。选择依据只看开发集，评估集同样只用于最终报告 1 次。这种做法能回答少用层是否够用，但枚举和训练 8191 个线性头的计算量不可忽略，好在每个头都是线性的，比训练深度后端轻得多。
原文没有报告优化器细节、学习率、训练轮数和硬件耗时，也没有给出梯度路径，因为前端不更新。复现时缺的是线性头的具体求解与正则设置，需要按常规线性分类流程补齐并固定随机种子，不能从模型名字猜实现。
数据划分与指标条件如何对应结论
实验全部在 ASVspoof 5 第一赛道协议下进行，保持训练、开发、评估的标准划分。训练攻击 A01 到 A08 多为 GlowTTS、GradTTS、FastPitch 和 VITS 变体，开发攻击 A09 到 A16 包含 ToucanTTS、Tacotron2、StarGANv2 声音转换、YourTTS 和变分自编码器生成对抗网络等，评估攻击 A17 到 A32 包含 ZMM-TTS、MaryTTS、DiffVC 以及 Malafide 和 Malacopula 对抗滤波。库本身经过多种编码和录音条件处理，且具有众包多样性，适合看泛化，但也意味着结论与该库的信道分布绑定。
指标是话语级等错误率，数值越低越好。逐层探测报告总体等错误率和分攻击等错误率，典型相关报告层与特征的相关系数，相关越接近 1 表示线性对齐越强。层子集搜索报告开发集和评估集等错误率，输入维度从单层 1536 维到全层 19968 维不等，维度差异本身也是代价的一部分。
举例说明条件差异。开发集用于观察熟悉攻击的层模式，评估集用于检验未见攻击下模式是否保持。若某层在开发集好而在评估集差，不能说该层无用，只能说其敏感的痕迹在新攻击中不再出现或被对抗优化抹掉。
哪几层最能分开真假语音
先看总体趋势。开发集和评估集都随层加深而改善，直到 L11 达到最优，开发集最低等错误率为 3.33%，评估集最低为 6.07%，到 L12 反而回升。这说明最深层并非单调最好，L11 在保留判别信息上更均衡。
分攻击热图让结论更细。开发集中 A09、A10、A14、A16 等语音合成攻击从中层起就接近零错误，A12 单元拼接合成在浅层很难，到 L6 之后从约 80% 骤降到约 5%，说明深层抓住了浅层缺失的伪影。评估集中多数攻击仍随深度变易，但 A22、A24、A28 3 个语音合成攻击相反，深层错误率超过约 30%，反而中层更好。
下面这张逐攻击热图是核心证据，读图时不要只看绿色，要同时找红色反例和黑线分隔的开发与评估边界。
看图路径： 1. 先看最右两列总等错误率随层号从上到下如何先降后略升；2. 再看 A12 列在浅层偏红、深层变绿的突变位置；3. 对比 A22、A24、A28 与对抗攻击列在深层反而偏红的反例
论文图 2。原论文 Fig. 2:：“Per-attack EER (%) across WavLM layers for the dev (A09–A16) and eval (A17–A32) splits, with overall per-layer EER for each set shown in the two rightmost columns.”。
该图确实可见纵轴为 WavLM 层 0 到 12，横轴为 A09 到 A32 及最右两列总体错误率，绿色表示低错误、红色表示高错误，中间黑线分隔开发与评估。可见总体列随层下移变绿，A12 列在上部偏红、中部转绿，而右侧对抗列在所有层持续偏红。它支持中深层最可靠、但固定单层会对某些攻击失效的判断。
等错误率 × 攻击族： 等错误率是误接受与误拒绝相等时的错误率，数值越低表示真假越易分开，攻击族是把 32 种攻击按语音合成、声音转换和对抗增强归成的三类；前者是统一尺子，后者是分组条件，组合后才能看出某层是普遍好还是只对某类合成有效。
声学对齐为什么呈现两种相反走向
典型相关热图显示了两种走向。多数特征先升后降，从 L0 上升，在 L7 附近达到峰值，再向 L12 衰减。频谱质心在 L7 达到 0.96，梅尔倒谱系数均值 0.92，频谱滚降 0.91，韵律的基频和能量也同形但峰值略低，共振峰 F1 到 F3 峰值只有 0.70 到 0.78，说明共振峰信息在线性对齐下不如频谱和韵律易得。这与自监督模型从信号级向抽象级过渡的已有观察一致。
相反，抖动、微光和谐噪比随层单调上升。抖动从 L0 的 0.52 升到 L12 的 0.89，微光从 0.53 升到 0.90，谐噪比从 0.55 升到 0.94。这些量刻画基频周期、幅度和谐波结构的微扰动，正是声码器易扭曲的嗓音质量。
下面这张相关热图把两种走向画在了一起，读图时重点对比中间频谱列的峰形与最右三列的持续加深。
看图路径： 1. 先横向比较大多数列在 L7 附近最深、向上下两端变浅的峰形；2. 再单独看最右三列抖动、微光、谐噪比随层加深而持续变深；3. 注意共振峰三列整体颜色较浅，说明对齐强度弱于频谱特征
论文图 3。原论文 Fig. 3:：“PWCCA correlation between WavLM layers and individual acoustic features.”。
该图确实可见横轴为 17 个声学特征、纵轴为 L0 到 L12，颜色越深表示投影加权典型相关越高。大多数列在 L7 行最深，上下渐浅，而最右抖动、微光、谐噪比三列越往下越深，共振峰三列整体偏浅。它帮助解释探测结果：早到中层的改善对应频谱和韵律编码增强，中到深层的进一步改善对应嗓音质量敏感性上升，而 L12 虽嗓音质量相关最高却因频谱对齐衰减过多导致错误率略差于 L11。
t-SNE 可视化 × 马蹄形流形： t-SNE 可视化是把高维话语向量降到二维看聚散的手段，马蹄形流形是深层出现的沿弧线连续排布的形状；前者是观察方法，后者是观察到的几何形态，搭配起来说明深层按嗓音自然度连续组织攻击而非按攻击编号离散分组。
精选五层为什么能超过全层拼接
既然各层判别力差异大，自然要问是否不必全用。作者做了穷举搜索，对 8191 种组合都训练线性头，只用开发集选优。比较的问题很明确：在相同线性后端和相同数据划分下，紧凑子集能否在开发集和评估集上同时不输给 13 层全拼接，全拼接输入维度为 19968 维。
本表比较前三优的 5 层子集与全层基线，条件是冻结 WavLM 表示加线性探测、开发集选型加评估集 1 次报告，指标是等错误率，数值越低越好，维度代价用层数表示。
| Layers | kk | Dev EER | Eval EER |
|---|---|---|---|
| 7–9–10–11–12 | 5 | 2.06% | 6.1% |
| 6–8–9–10–12 | 5 | 2.16% | 7.16% |
| 6–9–10–11–12 | 5 | 2.02% | 7.25% |
| All (0–12) | 13 | 4.59% | 8.08% |
该表结果显示最优子集 7-9-10-11-12 用 5 层达到开发集 2.06%、评估集 6.1%，优于全层的开发集 4.59%、评估集 8.08%，其余两个 5 层子集也集中在 6 到 12 范围内且优于全层。这说明浅层低级频谱信息在线性拼接下没有提供互补增益，反而可能引入冗余。限制是选型只看开发集，最优编号可能随库和模型变化，且穷举 8191 个头的搜索代价在前端更大或数据更多时会显著上升。
为便于对照总体与峰值数字，下表把正文分散报告的关键数字整理在一起，条件、指标与单位均按原文写法保留，数值含义见表后解释。
| 条件 | 指标 | 基线或单层 | 本方法或峰值层 |
|---|---|---|---|
| 开发集总体与评估集总体 | 等错误率 | L11 之前逐层改善 | 开发集 3.33%，评估集 6.07% |
| L12 与 L11 对比 | 等错误率 | L11 评估集 6.07% | L12 评估集 7.3% |
| L7 频谱对齐 | 投影加权典型相关 | 中层峰值 | 频谱质心 0.96，梅尔倒谱均值 0.92，频谱滚降 0.91 |
| L0 到 L12 嗓音质量对齐 | 投影加权典型相关 | L0 起点 | 抖动 0.52 到 0.89，微光 0.53 到 0.90，谐噪比 0.55 到 0.94 |
上表说明三点。第一，最优总体性能出现在 L11 而非最深层，L12 评估集 7.3% 差于 L11 的 6.07%，支持保留频谱与嗓音质量平衡的解释。第二，频谱类在 L7 的峰值相关高达 0.9 以上，而共振峰峰值明显更低，说明不是所有可解释特征都被同等编码。第三，嗓音质量三项从 L0 到 L12 持续爬升，与频谱类的先升后降形成对照，这是深层仍具判别力的声学依据，但相关高不等于因果，还需结合攻击反例理解。
深层几何与对抗失败说明了什么边界
t-SNE 提供了几何佐证。作者展示评估集在 L1、L6、L11 的投影，并称在多个随机种子和困惑度 20、30、50 下模式一致。L1 各攻击与真实点重叠混杂，L6 出现离散的攻击专属簇且彩色攻击点与黑色真实点可分，L11 则形成连续马蹄形弧，真实样本位于弧的一端。马蹄形常与数据沿主导连续潜维度组织有关。
下面这张三面板图需要按层顺序看聚散如何从离散变为连续，重点是颜色分组方式是否变化。
看图路径： 1. 对比第 1 层真假点混杂、第 6 层出现分块色团的差异；2. 观察第 11 层黑色真话点集中在弧线一端、彩色攻击点沿弧线展开；3. 注意横纵轴只是降维坐标，不代表原始声学量纲
论文图 4。原论文 Fig. 4:：“t-SNE visualisation of WavLM representations at layers 1, 6, and 11.”。
该图确实可见左、中、右分别为第 1、6、11 层，横纵轴为降维后的第一、第 2 维，图例中黑色为真实、其余颜色为 A17 到 A32 攻击。从左到右可见混杂团块、分块色团、连续弧线的转变，右侧黑色点集中在弧底一端。这与典型相关一致：中层与类别性频谱特征对齐更强而呈离散簇，深层与嗓音质量连续量对齐更强而呈自然度梯度，提示深层编码的是合成共性而非攻击编号。
对抗攻击是重要反例。经 Malafide 处理的 A18、A20、A23 和经 Malacopula 处理的 A27、A30 到 A32 在所有层都保持远高于 20% 的错误率，层趋势平坦或反转。原文解释是这两类滤波被优化为压制可检测伪影或匹配目标说话人嵌入，因而无论表示深浅都成功抹掉了基于伪影的线索。这不是某层失败，而是伪影检测路线的根本局限，提示需要对抗训练或不只依赖声学伪影的方法。
层子集搜索 × 全层池化： 层子集搜索是枚举全部 8191 种层组合并用线性分类器比较的做法，全层池化是把 13 层表示全部拼接作为基线的做法；前者负责找紧凑高效的选择，后者负责提供参照代价，组合后才能判断少用层是省了计算还保住或提升了判别力。
这些结论在什么条件下才成立
第一个限制是线性假设。线性探测只测线性可及信息，典型相关也只测线性对齐。若信息以非线性方式编码，本文会低估该层，换复杂后端可能得到不同层排序。
第二个限制是单一模型与单一语料。研究只用 WavLM Base 的 13 层结构，其他自监督结构可能有不同层行为。全部实验都在 ASVspoof 5 上，报告的趋势未必原样迁移到其他语料、真实录音或未见攻击族。A22、A24、A28 在深层失效已经说明高质量神经合成可能保留自然嗓音质量而只在频谱或韵律留痕，固定深层会漏检。
第 3 个限制是特征集不完备。17 个特征覆盖嗓音质量、韵律、频谱和谐波共振峰，但不能穷举所有伪造线索。相关也不等于因果，深层与抖动等对齐强且判别好，不能直接说模型就是靠它们判真假，还需要干预或消融验证。
最后，来源方面未发现可验证的作者代码与模型资源，本解读只依据论文正文与官方原图，不声称代码或数据已公开。
复现第一步要固定哪些细节
复现应从数据与表示开始。按 ASVspoof 5 第一赛道协议取训练、开发、评估划分，用冻结 WavLM Base 抽取 L0 到 L12 每层 768 维帧表示，对每层做时间轴均值加标准差池化得到 1536 维话语向量，保持与原文相同的定长化方式。
接着复现两条测量。每层独立训练线性真假分类器，只用训练集拟合，用开发集选阈值并报告总体与分攻击等错误率。典型相关前先把 1536 维经主成分分析降到 50 维，与 17 个声学特征计算投影加权典型相关并双向平均，单特征用与第一典型变量的平方相关，采样时按说话人均衡、每攻击组至多 5000 条。
层子集搜索要严格做到开发集选型、评估集只用 1 次，并记录每种组合的拼接维度和开发与评估错误率。随机种子、线性头正则、声学特征提取参数和 t-SNE 困惑度都要固定并多次重复，因为原文称马蹄形在多种子与困惑度下一致，复现时需检验稳定性而非只看一张图。
什么时候值得借鉴以及还缺哪项验证
当你的伪造检测已用 WavLM 类前端且后端较重、分不清增益来源时，值得借鉴本文的轻量诊断：先做逐层线性探测看 L9 到 L11 是否最优，再做小规模层子集验证能否用 5 层左右达到接近或更好效果，以节省拼接维度和后端计算。当攻击类型多样时，更应看分攻击热图而非只看总体错误率，因为高质量合成可能在深层漏检而在中层可检。
容易产生的误解有三。其一，深层最好不等于最深层最好，L12 在嗓音质量上最强但总体略逊于 L11，说明需要平衡频谱保留。其二，相关高不等于模型在用该特征做决策，典型相关只是线性对齐证据。其三，对抗列全层失败不代表表示无用，而是说明对抗优化正是冲着抹掉伪影来的。
还缺的验证是跨语料与跨模型检验，以及对嗓音质量线索的因果检验，例如扰动或重合成实验看深层性能是否随之变化。若能在新库上复现中层频谱峰、深层嗓音质量爬升与马蹄形连续体的对应关系，这套层选择依据才更可信。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses