📄 VeriSpoof：用一个音频大模型做检测、溯源与可核查说理
评分：7.6/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 1.2/1.5 | 开源 0.2/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Yang Xiao：机构信息未能在本次解析中与作者逐人可靠绑定
- Ting Dang：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
可疑语音会同时引出多个问题：是否为合成语音，由哪类系统产生，是否与另一段录音同源，以及结论依据什么证据。已有检测器通常一次只回答一个问题，附加解释多为自由文本，无法逐句核查，也没有检验解释是否决定结论。VeriSpoof把每个取证问题写成带候选答案句子的提问，用肯定答案与否定答案的对数似然差作为分数，以同一组权重完成检测、产生器与声学模型和声码器归属、录制条件分析、合成片段定位和同源验证。输入为8秒波形或两段波形拼接，编码器表征经切分进入大语言模型，模型输出一步答案或先写固定字段论证再给结论，观测、定位和来源描述分别由波形测量、标注区间和产生器元数据核查；反事实样本把标注区间取反后只训练其后结论，使结论跟随所述证据。在14个集合的Speech-DF-Arena评测上，按汇总等错误率越低越好比较，VeriSpoof-Plus以2.14%低于VeriSpoof-Base的4.43%，在28个系统中排第3，在开放权重系统中排第1。同一权重在训练未见产生器的同源验证中以等错误率衡量，MLAAD未见模型配对上Plus为6.17%低于Base的13.80%；在PartialEdit上按准确率越高越好比较，论证后决策为99.6%高于一步答案的78.4%。训练只更新29.7M参数，单卡24GB显存可完成全流程，推理约需6-7GiB显存；降质录音的同源判断与新条件阈值迁移仍难，降质配对等错误率处在23-30%区间。
🔗 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
法医要回答的不只是一句真或假
输入是一段或两段语音波形，输出不仅是伪造概率。法医场景里，分析员拿到一段可疑留言，首先想知道它是真人说的还是合成的，其次想知道是哪套系统做的，第三想知道另一起案件里的录音是否同一来源，最后还想知道结论依据什么证据，否则结论无法质证。
已有检测器通常只给一个分数，回答第一个问题。溯源要另训一个分类器，只能在已知系统名单里选；比对两条是否同源要另训孪生网络；通用音频大模型的自由文本解释则既不核对波形，也不验证决定是否真依赖那段解释，可能流利但错误，或正确但与决定无关。
VeriSpoof 要解决的是用同一套权重回答 5 类法医问题，并让每条解释都能逐句独立核查。它区分整句伪造和部分伪造，区分录音通道描述和真伪证据，还区分属性相同与来源相同。理解后文的关键是记住 3 个分工：音频表示决定能看见什么痕迹，问答打分决定如何把问题变成可比分数，依据链决定如何让人复核。
已有路线各管一段，缺统一打分和可验解释
语音伪造检测的主流路线是自监督前端加轻量后端，通过频谱残差、高阶交互、风格与语言失配或大规模数据配比提升泛化，评测从 ASVspoof 和 In-the-Wild 发展到 Speech-DF-Arena 和 SpoofRadar 等多集榜单。这些系统每条录音输出一个分数，但在本文的比较口径下，它们不回答来源比对，也不写可核查依据。
来源方向有两条线。一条是归属，把录音分到已知生成器或声学模型、声码器类别，依赖 MLAAD、SpoofCeleb 等多生成器语料；另一条是验证，用双分支或孪生结构判断两条是否同源。本文把验证做成开放集协议，含训练见过的生成器、未见过的新模型和未见过的新架构，并用 REVERSAL 层专门考验属性全相同但来源不同的对子。
音频大模型方向已有工作把检测、方法识别和定位合在一起，或用教师模型写推理过程。但原文指出，它们的依据是自由文本，由教师模型看标签写成，没有对着模型实际听到的波形测量，也没有做改写依据后决定是否跟随的忠实性测试。VeriSpoof 的区别正在于每个字段都有不依赖模型的核查器，并用反事实训练让决定跟随所述定位。
把所有法医问题都变成句子选项的似然比较
论文把输入记为单条录音或录音对，把问题记为带候选答案集合的提问。每个候选答案都是完整句子，模型给出该句子在给定音频和问题下的生成似然。二选一问题取肯定句与否定句的对数似然差作为分数，等错率和阈值都基于这个分数；多选项问题取似然最高的选项。
这样做的好处是不需要为每个任务设独立输出头。检测问是否伪造，归属问生成器、声学模型和声码器是谁，录音条件问噪声、混响、编码器和后处理，验证问两条是否同源。同一套权重只是在读不同的题。
真伪判别 × 来源验证： 真伪判别回答单条录音是真是假，来源验证回答两条伪造录音是否来自同一生成器；前者看整体是否合成，后者比较两条之间的细微系统指纹，VeriSpoof 用同一套问答打分同时做这两件事，但比较两条更依赖大语言模型的跨段比较能力。
需要特别理解来源验证的测试设计。两条来自不同系统但生成方法、声学建模、波形生成 3 类属性全相同的对子被单独划为 REVERSAL 层，与 SAME 和 DIFF 层平衡搭配。如果模型只会答属性是否相同，就会在这一层失效，因此它能检验模型是否真学到来源指纹，而不是背属性。
一句话看懂流程：波形如何变成分数和依据
沿着一条 8 秒窗的样本走一遍。波形先进入 Qwen3-ASR 编码器，25 层的隐状态被学到的加权平均融合；融合特征进入音频切分器，得到 16 个整体表征和 52 个每 0.16 秒的帧表征，帧之间每 0.8 秒插入文本时间标记，让大模型能用秒说出位置。单条就放一条的表征，对子就把 A 和 B 的表征先后拼接进提示词。
冻结的大模型 MiniCPM5-2B 读提示词后有两种输出。一种是一步直接回答，输出肯定句和否定句的似然差；另一种是先写固定字段依据链再给决定，决定仍可按似然差打分或直接取文本。另有两个辅助监督帮助感知：整体音频表征上的单类真伪损失把真人语音拉向学到的中心，帧隐状态上的逐帧分类头给出合成语音随时间的分布。
核心打分公式要计算的正是肯定句相对否定句高出多少对数似然，符号决定判哪边，大小决定排序和阈值。
\[s_{q}(u)={}\log p_{\theta}(a^{+}\mid u,q)-\log p_{\theta}(a^{-}\mid u,q).\]其中 u 是单条或对子输入，q 是问题，a 正和 a 负是肯定与否定答案句子，theta 是模型参数。对数似然差越大，越倾向肯定答案。检测时肯定句是伪造句，分数大于零判伪造；验证时肯定句是同源句，分数含义随问题而变。
编码器、切分器和大模型各自管什么
感知分 2 级分辨率。16 个整体表征携带整段不变的信息，服务归属和验证；52 个帧表征保留时间信息，服务定位。时间标记是文本形式，直接让模型能说出 1.60-2.24 秒这样的区间。编码器只在第一阶段带 DoRA 适配器更新，之后冻结。
大模型只在后 2 阶段带 LoRA 适配器更新。全部 2.85B 参数中只训练 29.7M，含切分器、编码器适配器、大模型适配器和逐帧头。
Qwen3-ASR 编码器 × 音频切分器 × MiniCPM5-2B： Qwen3-ASR 编码器负责从 8 秒波形里保留合成痕迹，音频切分器把 25 层特征压成 16 个整体表征和 52 个 0.16 秒帧表征并插入时间标记，MiniCPM5-2B 负责读题、比较和写依据；编码器决定能检出什么，大模型决定两条录音比得好不好、定位写得准不准。
整体表征 × 帧表征： 整体表征压缩整段录音的不变属性，用于归属生成器和判断同源，帧表征保留时间细节并配秒级时间戳，用于写出合成片段起止；前者丢时间保身份，后者保时间供定位，二者拼接进提示词后分别支撑不同问题。
为什么这样搭配？局部脆弱的合成伪影需要多层细节和多变通道才能暴露，全局的来源身份则已藏在特征里；比较两段需要跨长序列的回忆能力，写定位需要把帧证据转成文字的能力。原文的对照实验正是沿这条分工展开：固定编码器改用法，检测大幅变化而验证不动；固定表示换大模型，检测小动而验证大动。
依据链的每个字段如何独立核查
依据链不是自由作文，而是固定字段序列加最后的决定。检测依据链含观测、通道状态、定位和来源画像；验证依据链含通道状态、指纹 verdict、属性兼容性和决定。每个字段类型都有不经过模型的核查器：观测对波形测量，通道状态对增强日志，定位对标注区间，来源画像对生成器元数据。
关键在于数据加载器直接对模型实际听到的窗计算目标。对增强后的波形测信噪比和电平，从增强日志取通道标签，把标注区间映射到窗内时间，从元数据读来源画像。因此目标默认是真的，决定写在最后且规则明确：写出至少一个合成片段判伪造，写无则判真人。通道描述被声明为非证据，不应左右决定。
核查方式是逐句算正确率。观测看带宽类、信噪比 10 分贝内、电平 5 分贝内、削波类是否与测量一致；定位看陈述区间与标注区间的交并比，逐帧头看 0.16 秒网格上的 F1；忠实性看改写定位后决定是否跟随、改写非证据后决定是否不变。错的句子会挂掉检查，这正是自由文本解释缺少的信号。论文例子里带宽判错但定位和决定仍成立，检查把这一点暴露出来。
三阶段训练和反事实训练在练什么
训练分 3 段，各段训练不同部件。第一段感知对齐冻结大模型，只训切分器和编码器 DoRA 适配器，做检测和来源问题，让音频表示先学会相关信息，避免大模型替弱音频表征补课；关于表示的对照都在此阶段做。第二段法医问答调优加入大模型 LoRA，训声学模型、声码器、来源画像、录音条件和对子问题，属于多任务指令调优。第 3 段 grounded 依据链调优引入检测与验证依据链和反事实例子，学习率更低，并回放第二段问答以保留一步回答能力。
反事实训练只在第 3 段做，占比约 20%。做法是给模型一个定位被反转的依据链，标注有片段改写成无，或无改写成有，只训练其后的决定。模型从不被教说关于音频的假话，只被教决定必须跟随给定的定位。测试忠实性时再做干预：把定位换成反义、改写、插入片段，或把通道与观测改成矛盾说法，看决定是否该跟随跟随、该不变不变。
数据上有 2 个模型同配方不同数据。Base 只用 8 个检测语料官方训练集加 3 个部分伪造语料约 0.38M 句，不碰任何评测集，用于全部对照。Plus 再加 12 个语料共多 4.0M 句，伪造半按 211 个来源、真人半按 18 个数据集平衡，避免大语料主导。训练拷贝带噪声、混响和含窄带的编码器增强，后处理对真伪两类同样施加且不在答案里点名，以去掉通道捷径。
在哪些集上测、用什么指标和基线
公开检测用 Speech-DF-Arena 的 14 个官方协议共 2.34M trial，报告混合等错率和平均等错率，混合用一个阈值过所有集决定榜单排名，对比 2026 年 10 月 31 日公开快照；另用 SpoofRadar v1.0 的 16 集协议，报告混合等错率、准确率和宏 F1。作者未投稿榜单，用榜单协议文件自行计算。
其他问题没有公开基准，作者自建并发布 VeriSpoof-Bench，54 个子集 177852 条，分检测、归属、来源验证、录音条件、依据质量和忠实性 6 组。每组固定抽最多 10000 条，同一 trial 给所有模型和检查点，保证列间配对可比。来源验证按生成器与训练的距离分见过、未见新模型、未见新架构；退化拷贝分增强版和带日志条件的版本；依据评测每集 500 条。
指标方向要先说清。是非题用公式分数的等错率，越低越好；多选项用最高似然选项的准确率，越高越好。观测正确看类别是否吻合测量，定位看交并比，逐帧头看合成类的 F1，忠实性看跟随率和保持率。基线分 3 类：公开榜单的开源与闭源检测器、冻结 DF-Arena-1B 编码器上训的对子探针、6 个通用音频大模型的零样本问答。对照实验一次只改一个因素并用相同 trial。
检测主结果：在什么条件下是最好的开源权重
在 14 集 Speech-DF-Arena 上，按论文自述口径，Plus 混合 2.14%、平均 1.79%，报告为其定义的开源权重组内最低，次好的 DF-Arena-1B 为混合 9.52%、平均 5.66%；放入快照排第三，仅次于两个闭源系统，Base 以 4.43% 排第四。Base 只用 8 个语料官方训练集，没有 Fake-or-Real、Codecfake、ADD 和 SONAR 的训练数据，差距主要在这些集。结论成立的条件是同一协议文件和同一混合阈值口径，且按论文的分组口径比较，未验证模型当前可获取。
SpoofRadar 上 Base 混合 4.23%、Plus 混合 4.04%，都低于榜单最好开源的 9.96%。但 Plus 的混合远高于其平均 1.65%，因为一个阈值不适合所有集：在 XMAD-Bench 俄语有声书真人语音上 92.9% 被判伪造，而集内两类仍在 1.95% 内可分。这是校准代价，不是不可分，部署到新语言域需用该域真人语音重定阈值。
从 Base 到 Plus，14 集中 9 个变好、3 个变差，变好集中在 Plus 补了同语料训练处，变差在 ASVspoof5、DF21 和 In-the-Wild，原因是 ASVspoof5 从训练一半占比降到 211 个平衡来源中的 8 个。数据配比决定模型最擅长哪块，这是理解涨跌的前提。依据链调优对一步检测大多影响小于 0.3 个点，说明加解释不以筛查为代价，例外是无依据数据的 LA21 和 CodecFake+。
同源验证和归属：何时能比冻结探针好
同一套权重做验证时，Plus 在未见新模型上 6.17%、未见新架构上 15.00%，冻结 DF-Arena-1B 探针在 MLAAD 上为 24.8%-29.0%，Base 在多数干净和退化集上也优于探针。Plus 还能以 96.8% 说出见过的生成器，以 81.3% 说出录音条件。限制同样清楚：带噪声、混响和编码器的退化对子仍在 23%-30%，噪声掩盖了区分生成器的细节；Plus 在 SpoofCeleb 验证和未见声码器下的声学模型归属上不如 Base，与 SpoofCeleb 标签占比被稀释有关。
通用大模型零样本在同源和录音条件上接近随机，检测上最好也只有 52.1%-64.7% 平均平衡准确率，Qwen3-Omni 在 ASVspoof 子集可达 76%-90% 但在 SpoofCeleb 等多集接近随机。比较公平的条件是同一 1000 条、同一 8 秒听感、选项写清、贪婪解码取首个命名选项。在此条件下 Base 和 Plus 检测达 95.9% 和 96.5%，同源达 77.9% 和 82.8%。这说明任务不是靠提示就能做，需要专门的感知与问答训练。
一步直接回答 × 依据链后决策： 一步直接回答是对整段打一个似然差分数，适合大规模筛查，依据链后决策是先写观测、定位和来源画像再做决定，迫使模型逐帧检查；前者快但易漏掉只改一词的部分伪造，后者慢但在 PartialEdit 等集上把检出率从 78.4% 拉到 99.6%。
验证依据链的字段顺序很关键。先比属性再给 verdict 的版本在 REVERSAL 对子上准确率仅 0.31，尽管一步回答是好的；只改顺序、先给指纹 verdict 再比属性，提到 0.67。最终 Base 回落到 0.42 与其一步等错率同步变差，指向这批对子的感知而非格式；Plus 达 0.75。能承载决定的句子必须放在可能误导的句子之前。
依据质量与忠实性：每句话对得上吗，决定跟随吗
Base 的检测依据链在每集 500 条上，电平正确至少 95%，信噪比 88%-99%，削波在 ASVspoof5 最弱 0.73，带宽类最不可靠 0.64-0.91。探针显示 0.5 kHz 细带宽类从表征不可恢复仅 38%，因此粗类已是模型能支撑的分辨率。错句会挂掉检查，但不一定推翻决定。
定位上，HAD 和 PartialEdit 这种一段或少数长编辑达交并比 0.58-0.61，PartialSpoof 等多短片段仅 0.25-0.31，而同一隐状态的逐帧头 F1 达 0.74-0.82，说明帧已可分，瓶颈是把多短片段写成文字。定位交并比随大模型在 0.25-0.64 间变，逐帧头只在 0.89-0.91 间变，进一步指向写的能力而非帧证据。
| Set | Acc. | IoU | Tok. F1 | Flip |
|---|---|---|---|---|
| PartialSpoof | 91.2 | 0.25 | 0.74 | 1.00 |
| HAD | 99.0 | 0.61 | 0.91 | 1.00 |
| PartialEdit | 99.6 | 0.58 | 0.79 | 1.00 |
| LlamaPS | 92.2 | 0.31 | 0.82 | 1.00 |
上表比较的问题是部分伪造上写定位与帧分类谁是瓶颈，条件是同一 500 条、同一 Base 依据，指标是交并比越高越好、F1 越高越好。可以看到 HAD 与 PartialEdit 写得准，PartialSpoof 与 LlamaPS 写得差但帧头仍高。限制是只测 4 个部分伪造集，长短分布不同则结论可能变。本表数值与单位依据论文 PDF。
忠实性上，无反事实训练时，被告知无合成片段仍有 42% 未见 MLAAD 判伪造；有反事实训练后，训练用法的反义定位跟随 100%，未见过的改写跟随 99.5%、插入片段 100%，矛盾通道与观测保持不变 100%。决定依赖应承载它的定位，而不依赖声明为非证据的句子。
| Model | IoU HAD | PEdit | F1 HAD | PEdit |
|---|---|---|---|---|
| Qwen2.5-1.5B | 0.35 | 0.36 | 0.89 | 0.74 |
| Qwen3-1.7B | 0.25 | 0.38 | 0.90 | 0.76 |
| MiniCPM5-2B | 0.64 | 0.59 | 0.91 | 0.77 |
| Base | 0.61 | 0.58 | 0.91 | 0.79 |
上表比较的问题是大模型是否决定定位写法，条件是同一 HAD 与 PartialEdit 等四集、同一属性优先的依据链配方。MiniCPM5-2B 交并比最高而帧 F1 相近，说明差异在写不在帧。Qwen3.5-4B 未跑依据链故缺值，不能拿缺值比优劣。本表数值与单位依据论文 PDF。
表示决定检出，大模型决定比对：对照如何证明
先看编码器本身。冻结特征探针显示 Qwen3-ASR 在来源验证上优于 7 个编码器，检测接近最好的专用防伪编码器；在当前协议下与最强防伪编码器 DF-Arena-1B 复测，Qwen3-ASR 学层混合后验证平均 24.7% 对 26.4%，11/15 对子集更好，DF-Arena-1B 检测平均 13.3% 对 14.7% 更好。语音识别编码器丢掉合成痕迹的说法在此编码器上不成立。
固定编码器、逐级改用法的梯子显示，干净检测等错率从 4.97% 降到 1.84%，ASVspoof5 从 9.56% 降到 3.10%，最大单步来自 25 层融合、编码器 DoRA 和窄带编码器增强，而干净验证一直在 16.4%-19.0% 间徘徊。局部脆弱伪影受益于多变通道和多层细节，全局来源身份则特征里已有。两类同施后处理是检测最优但验证回升，因此保留它是为了去捷径而非提验证。
固定表示、只换大模型，检测平均只动 0.5 个点，干净验证动 5.5 个点。混合线性注意力模型检测最好但验证最差，因比较两段需要回忆；Qwen2.5-1.5B 验证最好但定位交并比仅 0.36；MiniCPM5-2B 在退化对子、定位和声学模型上综合最好，故被选为发布版。下面两张小表分别对应通道捷径和组合泛化，需要连条件一起读。
通道捷径与组合泛化：数字要连训练条件看
组合泛化考验把见过的声学模型与从未搭配过的声码器拼在一起。编码器状态和整体表征的线性探针在所有大模型下都能恢复声学模型，但大模型答案从随机的 0.52 到 0.86 不等，高于其表征探针。信息到了不等于能组成答案，组合能力取决于大模型。
| Model | Encoder probe | Token probe | LLM answer |
|---|---|---|---|
| Qwen2.5-1.5B | 0.87 | 0.66 | 0.52 |
| MiniCPM5-2B | 0.84 | 0.64 | 0.86 |
| Qwen3-1.7B | 0.90 | 0.75 | 0.64 |
上表比较的问题是信息是否到达与能否作答是否一致，条件是同一 SpoofCeleb A17/A18、同一问答调优配方、随机基线 0.50。MiniCPM5-2B 答案 0.86 最能组合，Qwen2.5-1.5B 虽探针高但答案接近随机。限制是只测了两个系统，不能推广到所有声学模型与声码器组合。本表数值与单位依据论文 PDF。
不做后处理训练时，模型会把通道当证据。2 kHz 高通让 11.6%-26.8% 的伪造被当真人，0.5 秒数字静音填充和 +10 分贝削波增益让 12.4% 和 15.6% 的 ASVspoof5 真人被当伪造。两类同施后处理后降到 1.7%-8.4%，在答案里点名后处理无进一步稳定收益，说明去捷径靠的是两类共享通道，而非告诉模型。增益削波残留 8.4% 仍是最大误差。
| Training | HP ITW | HP ASV5 | HP LA19 | Pad ASV5 | Gain ASV5 |
|---|---|---|---|---|---|
| No post-processing | 11.9 | 11.6 | 26.8 | 12.4 | 15.6 |
| + post-processing | 3.7 | 1.7 | 7.4 | 4.0 | 8.4 |
| + post-processing, labelled | 2.2 | 1.9 | 8.9 | 4.4 | 8.4 |
上表比较的问题是后处理是否制造捷径，公平条件是同一感知对齐阶段、每集 4000 条、同一 3 种后处理，指标是错误率越低越好。结果支持无条件后处理已大幅降捷径，点名无额外好处，代价是增益削波仍高。未评测的是真实部署中更复杂的混响加编码叠加，仍待验证。
来源监督何时必要：等标签与等步数的两种比法
论文固定决策规则后比较多任务模型与纯真伪模型。等真伪标签数时，来源监督在 16 集中 8 个有帮助、1 个有害，在 ASVspoof5 攻击上 12 个有帮助、无有害，对编解码生成器和退化拷贝帮助最大；等训练步数即 5 倍真伪标签时，多数变等价或不确定，说明来源标签主要是让每条更信息丰富。
来源监督 × 真伪监督： 真伪监督只给每条是真是假的二值标签，来源监督还给生成器、声学模型和声码器是谁；前者信息量少，后者告诉模型伪造是怎么产生的，二者在神经网络声码伪造上差异最大，多给五倍二值标签仍补不上来源标签的作用。
例外是神经网络编解码伪造。5 倍真伪标签仍在 CodecFake+ 上 12.6% 对 2.2%，差距 10.4 个点。编解码重合成像有损压缩的真语音，二值标签给不出分开的理由，问是哪种编解码器做的才能分开。反例也在 ASVspoof21 LA，来源监督有害约 1.3-1.6 个点，损失集中在训练未见的 3 个攻击且从问答调优延续到依据链调优，不是校准偏移。DFADD 和 LibriSeVoc 3 模型皆零等错，无法区分条件。
教学上要分清百分点与相对百分比。本文差值都是等错率百分点相减，不是相对变化；不同指标差值不混入模型列，自动指标也不等于人工评价。
哪些结论出界了，哪些还没测
首先是阈值与校准。Plus 混合等错率远高于平均，俄语、西班牙语和阿拉伯语真人语音在混合阈值下大面积误判，但集内仍可分。论文明确要求新语言域用该域真人语音重定阈值，不能把混合数字直接当部署误判率。
其次是退化与未见架构。噪声、混响和编码器下的验证仍在 20% 以上，Plus 虽比 Base 好 6-7 个点但依然难；未见新架构 15.00% 明显差于未见新模型 6.17%，说明来源线索与架构绑定。部分伪造上 Plus 一步回答在 HAD 接近随机，靠写定位才找回，说明一步分数的泛化仍依赖训练覆盖。
还有未胜出项。来源监督在 ASVspoof21 LA 有害，Plus 在 SpoofCeleb 验证和未见声码器声学模型上不如 Base，带宽陈述最不可靠，增益削波捷径残留最高。这些都保留在原文中，不能只讲最好数字。缺证据不等于技术有错，但没有测量延迟之外的误判成本、人工复核时间，就不能承诺降本增效。
复现第一步做什么，需要多少算力
复现先从 Base 和 VeriSpoof-Bench 的条目、标签、提示词与评分脚本入手，不直接要音频。检测用一步分数的对数似然差，等错率用榜单协议文件；验证用同源句与异源句的似然差，注意对子要按 SAME、REVERSAL 和 DIFF 分层，否则属性相同会泄题。依据评测每集 500 条，观测按信噪比 10 分贝、电平 5 分贝容差判对，定位按交并比，忠实性按跟随率与保持率。
训练只动 1% 参数，适配器状态约 0.5 GB，冻结权重 bf16 约 5.3GiB。发布 Base 无梯度检查点时 3 段峰值 21-45GiB 约 14 GPU 小时；开梯度检查点同微批 32 时 11-17GiB，可装进单张 24 GB；估算微批 8 累积到同全局批时每段 7-9GiB，可进 12 GB，推理单条约 6-7GiB、可进 8 GB，批量检测默认 16 条约需 12 GB。以上小批设置未实际训练过，bf16 需 Ampere 或更新显卡，T4 与 V100 未测。vLLM 后端从同一提示嵌入生成依据，单条 0.50 秒、64 批量摊薄 0.05 秒，64 条与 32 对上决定与参考实现一致，边界测量的措辞可不同。
来源未确认不得写已开源。本文证据显示未发现来源绑定且完成校验的资源，不得声称代码、模型或数据已公开；能否下载与可运行需分开核实。
什么时候值得试，还缺哪项验证
当任务同时需要筛查分数、同源比较和可质证依据时值得试：一套权重既给似然差分数，又给逐句可测的观测、定位和来源画像，且反事实训练让决定跟随定位。部分伪造或训练未覆盖的伪造优先走依据链，整句已知伪造可用一步分数。
复现第一步是先跑检测与验证的似然差分数，复刻混合与分集等错率，再跑 500 条依据的逐句正确率与改写跟随率，确认写定位是否真改变决定。关键信息条件是 8 秒窗、25 层融合、16 加 52 表征、时间标记、两类同施后处理，以及验证集的 3 层平衡。
还缺的验证是新语言域的阈值重定、强退化下的验证、更多声学模型与声码器组合的泛化，以及人工复核是否真能利用失败的检查。记住适用边界：表示与用法决定检出，大模型决定比对，来源监督对编解码伪造必要但在个别集有害，带宽陈述与削波后处理仍是弱点。
📎 论文与评分元数据
排名：前25% | 文档类型：模型报告 | 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