把签名切碎藏进声音里：DsNA 以后生成指纹的可验证尝试

英文题目：DsNA(Digital sigNature for Audios): A Unique Method to Fingerprint Audio Files Generated by Text to Speech

会议身份：conference:interspeech:2026:conference-paper-id:gourav26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#信号处理 #音频安全 #语音 #音频水印

评分：2.9/10 | 创新 0.6/2 | 技术严谨 0.4/1.5 | 实验充分 0.3/1.5 | 清晰度 0.5/1 | 影响力 0.5/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：方法研究

👥 作者与机构

• Vishal Gourav：机构信息未能从会议 PDF 纯文本可靠映射
• Phanindra Mankale：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

该工作面向合成语音溯源，输入为用户文本提示经文本到语音生成的波形与关联元数据，输出为携带可验证签名的自包含音频，难点在于不改动底层合成架构而实现内生溯源。方法为三步后生成流水线：首先TTS服务由文本生成原始波形并配对元数据，其输出同时送入并行的两支处理。接着指纹生成器对音频与元数据做密码学哈希与签名得到紧凑签名并切为三个碎片，音频分块器将音频切为两个等长块，两者输出共同进入交织器。最后交织器将碎片与音频块交叉拼接为指纹音频，验证侧用逆向DsNA流水线拆分重构并比对签名以鉴真。与依赖外部库检索的传统音频指纹相比，差异在于将签名存于文件结构内部而非外部匹配，具有无需外部查找的实际意义。在250个TTS生成样本的评测设置下，指纹音频的平均意见分（Mean Opinion Score，MOS）为4.48，低于原始音频的平均意见分（Mean Opinion Score，MOS）4.51。作者承认仅为初始概念验证，尚未验证压缩与噪声等真实变换下的鲁棒性、抗对抗篡改能力与感知质量，需在更多数据集与条件下扩展评估。原文未披露训练、推理与部署成本，未提供代码与数据。

🔗 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

输入是什么，目标是什么，先保留哪些关键信息？

这篇解读的输入是论文正文给出的文本转语音流程、指纹生成与注入流程、逆向验证流程以及一组保真度数字。目标是让刚进入语音与音频方向的研究生独立复述 DsNA 做了什么、在什么条件下测了什么、哪些结论有证据而哪些还有待验证。保留的核心事实是研究对象为已经生成的语音波形，而改进合成模型本身属于该文范围之外。

方法是生成后处理的轻量指纹层，把音频切块并把由音频与元数据派生的密码签名切成碎片再交错拼接。验证方法是逆向拆分后重组签名与重建音频，再重算期望签名并比对是否匹配。输出是一段自带来源证明的指纹音频，验证端依托音频自身完成比对，论文描述为自包含产物。

论文讨论的背景是神经语音合成越来越自然，虚拟助手、无障碍工具与内容生成平台广泛使用合成语音。随之而来的是音频来源、真实性与滥用问题。传统音频指纹更多用于内容识别与版权保护，重点是判断这段音频像哪一段已知音频。

DsNA 要补的是向新生成的语音中写入可验证的来源信息，它保留底层语音合成结构，只在波形生成之后增加可插拔的签名层。对于初学者，白话理解就是先让系统正常说话，再给这段话配一张撕成几片的身份纸条。收到的人按原顺序把纸条拼回来，再按同一规则重写一张纸条，两张对得上就认为来自原系统。

为理解 DsNA 从哪里接手，需要先走一遍论文给出的典型文本转语音流水线。用户输入的是字符串文本，先经过文本正则化，把货币符号与缩写转成可朗读形式。再经过字音转换变成音素并映射为整数序列，声学模型输出梅尔频谱图，神经声码器再变成波形。下面这张图是理解该流水线的入口，读图时把它当作 DsNA 处理对象的前史即可，它展示合成如何走到波形。

看图路径： 1. 先从左到右沿蓝色箭头数出输入文本到语音波形的五个阶段；2. 确认文本预处理与声学模型之间标注的音素传递关系；3. 观察声学模型输出梅尔频谱图再进入神经声码器的两级网络图标

论文图 1。原论文 Figure 1：“Flow diagram of a TTS System”。

这张图从左到右展示了输入文本、文本预处理、声学模型、神经声码器与语音波形 5 个环节，箭头表示数据向前流动。中间标注了音素与梅尔频谱图两个关键中间表示，两个网络图标分别对应频谱预测与波形生成。对复述而言，关键是记住 DsNA 的输入就是该流水线最右端的语音波形，外加关联元数据。DsNA 聚焦已生成波形的分块与签名交错，文本理解与声音合成属于前置环节。

已有路线解决了什么，DsNA 与它们在什么条件下可比？

论文提到的相关路线可以分成 3 类，第一类是神经语音合成的进展。以 WaveNet 与基于 Tacotron 的结构以及快速高质量端到端方法为代表，它们的目标是让合成语音更自然。评价维度是自然度与合成效率，来源可验证性属于另一条评价线。

第二类是传统音频指纹，以面向多媒体识别与版权保护的鲁棒指纹系统与综述为代表。它们通常从音频中提取特征再与外部库匹配，目标是内容识别。解决的是这段音频是什么或者是否侵权的问题，写入来源证明属于另一类任务。

第 3 类是密码学中的公钥签名思想，以 RSA 签名机制为代表。它提供用哈希与非对称原理实现可验证签名的思路，原文说 DsNA 受到该类机制启发。论文给出的细节止于启发关系与高层原理，密钥生成、公钥分发或签名算法细节以原文为准，复述时沿用原文表述即可。

把 DsNA 放在这个坐标里看，它的输入与第一类相同，都是文本提示与合成语音。目标在于可溯源的输出，追求的是输出自带可验证信息。它的输出形式与第二类都涉及指纹二字，运行阶段各有侧重。传统指纹依赖外部匹配，而 DsNA 把签名碎片直接交错进音频流，形成自包含产物。

公平比较要求同输入、同目标、同运行阶段，跨任务比较容易误读结果。论文报告的比较是同一批样本在指纹前后的配对比较，传统识别准确率与语音自然度分属各自任务。论文也把结论限定在受控条件下的保真性，鲁棒性对比与水印听感对比留待后续工作，复述时保持同样的限定范围即可。

要解决的具体问题与成功标准是什么？

具体问题可以表述为给定 1 次生成的音频波形与相关元数据，如何产生一段对外发布的音频。使其既能被人正常收听，又能在收到时独立判断是否来自原系统且保持完整。同时依托音频自身携带的信息完成判断，这就是 DsNA 要回答的来源问题。

成功标准在论文当前阶段分解为两个可检查的要求，第一是保真性要求。指纹音频在信号与感知层面与原始音频基本一致，论文用信噪比、平均意见分、字错率与字符错率刻画。方向是信噪比越高越好，平均意见分越高越好，两类错误率越低越好。

第二是结构可恢复性要求，嵌入的签名碎片能按约定顺序完整分离出来。重组后的签名可用于比对，重建的音频可用于重算期望签名。论文用流程演示说明该要求，给出了逆向流水线的 5 个步骤，误判率与检出率属于后续可扩展的评价。

论文把评价范围明确为受控条件下的保真性，压缩、噪声、剪切或恶意篡改下的表现列为未来工作。一个教学例子是假设用户请求合成一句通知语音，系统先正常生成波形，DsNA 再输出可发布的指纹版本。例子中验证者收到音频后先拆分再比对签名，若匹配则接受，若签名对齐失败则视为存疑。这里的例子只帮助理解流程，效果数值以受控实验数字为准。

DsNA 全景：一个样本如何从提示词走到可验证音频？

沿着一个样本走完全程有助于建立整体依赖，起点是用户提示词。文本转语音服务先把它变成音频波形，同时准备好关联元数据。论文对元数据的描述止于关联元数据这一表述，复述时沿用同一表述即可，具体字段以原文为准。

接着进入指纹流水线，音频分块器把音频流分成两个相等的块。指纹生成器并行地从音频与元数据出发产生紧凑数字签名，分片生成器再把签名切成 3 个碎片。最后指纹注入器把两个音频块与 3 个签名碎片按约定顺序交错，形成最终指纹输出并返回给用户。

验证方向正好相反，指纹音频先经逆交错拆出签名碎片与音频块。再分别重组签名与重建音频，接着用重建音频与关联元数据重新计算期望签名。最后比较嵌入签名与期望签名是否一致，一致判为真实，签名对齐失败判为可能篡改或源自其他系统。

文本转语音 × 数字签名： 文本转语音负责把输入文本变成可听的语音波形，它的分工是生成内容；数字签名的分工是给出可验证的来源证明，它由音频和元数据经密码哈希与签名原理派生而来。DsNA 搭配它们的理由是不改动底层语音合成结构，只在生成之后做后处理层，把内容生成与来源证明解耦；组合后新增的作用是让输出音频自带可独立校验的身份信息，不依赖外部数据库或附加元数据文件。

理解该全景时要抓住保留底层语音合成结构这一约束，DsNA 的所有操作都发生在波形已经生成之后。声学模型与声码器的参数更新方式属于原文范围之外，本文聚焦确定性的分块、哈希签名、分片与拼接，外加验证端的拆分与比对。下面这张图把生成侧的分支与汇合画得很具体，是全景记忆的核心依据。

看图路径： 1. 先在左侧找到音频分块器分出的 Chunk1 与 Chunk2 两条分支；2. 再在左下找到签名生成器分出的 Shard1 至 Shard3 三条分支；3. 沿箭头看五路比特串如何汇入中间的指纹注入器长框

论文图 2。原论文 Figure 2：“Flow diagram for Audio Fingerprinting using DsNA”。

这张指纹生成图左侧有两个椭圆起点，上方是音频分块器引出的两个音频块分支。下方是签名生成器引出的 3 个签名碎片分支，每个分支框内用二进制串示意数据形态。5 条分支的箭头共同汇入中间的指纹注入器长框，最右侧经响应箭头指向用户。读图时应把注意力放在分支数量与汇合顺序上，音频侧是两块，签名侧是三片。对初学者而言，复述全景只需要记住两路并行、一处汇合的顺序，先分后合，先签名再注入，验证时再逆向拆开。

分块与分片各自做什么，为什么要这样搭配？

音频分块组件的输入是完整的合成波形，操作是按算法分成两个块。输出是两个可拼接回原波形的音频单元，论文明确说当前原型分成两个相等的块。这是一个具体可复现的配置，更多块数或其余切分方式属于原文范围之外。

签名生成组件的输入是音频与元数据，操作是受密码哈希与数字签名启发的紧凑签名生成。输出是一个短签名，论文给出的细节止于高层原理与 RSA 启发关系，哈希函数名称、签名长度与密钥管理细节以原文为准，复述时沿用原文表述。

分片组件的输入是该签名，操作是按算法切成 3 个碎片。输出是 3 个可按原顺序重组的签名单元，注入组件的输入是两块音频与三片签名。操作是交错拼接，输出是对外发布的指纹音频，这里的交错是分段级别的拼接。

音频分块 × 签名分片： 音频分块的分工是把已生成的语音波形切成等大的可重组单元，原文原型中是切成两个相等块；签名分片的分工是把紧凑的密码签名切成多个可重排单元，原文原型中是切成 3 个碎片。二者搭配的理由是块与碎片都是线性序列，可以按确定顺序交错拼接与逆向分离；组合后新增的作用是形成结构化的嵌入容器，使验证端能通过逆交错同时恢复出重建音频与重组签名，为后续重算签名并比对创造条件。

这种搭配的工程直觉是当音频单元与签名单元都是有序序列时，同一套顺序约定即可实现可逆嵌入。验证端的逆交错组件输入是指纹音频，操作是按相反顺序切分。输出是签名碎片序列与音频块序列，重组组件再把碎片拼回嵌入签名。整个链条的依赖顺序是先有原始波形再分块，先有音频与元数据再生成签名。先有签名再分片，先有块与碎片再注入，验证时则先拆分再重组。记住这个先后关系即可准确复述闭环。

注入与验证闭环的操作顺序是什么？

注入侧的操作可以用伪动作序列复述，取 1 次合成的波形记为原始音频。取关联元数据记为附加输入，把波形切成块一与块二，把签名切成碎片一至碎片三。按约定顺序把 5 段数据交错成发布音频，这属于分段级别的拼接与交错，论文描述与加性水印思路各有侧重。

论文描述的分段拼接支持通过切分恢复出原来的块与碎片。验证侧的操作序列是输入待验音频，按逆序拆出碎片与块。把碎片按原顺序重组成嵌入签名，把块拼接成重建音频，用重建音频与元数据重新计算期望签名。

比较嵌入签名与期望签名，若相同则输出真实且完整。若签名对齐失败则输出存疑，指向可能篡改或源自其他系统，这就是闭环的判断逻辑。每个步骤的输入输出都是确定的，前一步的输出是后一步的输入。

交错注入 × 逆向验证： 交错注入的分工是按约定顺序把音频块与签名碎片拼接成最终对外发布的指纹音频；逆向验证的分工是把收到音频按相反顺序拆开，分别重组签名与拼接音频，再用重建音频和关联元数据重新计算期望签名并与嵌入签名比对。搭配理由是注入与分离使用同一套顺序约定，一正一反构成闭环；组合新增的作用是把真实性判断变成签名是否匹配的可执行检查，匹配则判为真实未篡改，不匹配则判为可能篡改或非原系统生成。

需要提醒初学者的是，论文把验证所需的元数据传递方式、签名密钥保管与公钥分发列为有待细化的部分。如果元数据在传输中变化，重算签名所用的输入也会变化，比对结果的含义也随之变化，安全性分析同样列为未来工作。

如果攻击者知晓分块与分片的顺序约定，剥离签名碎片并重新拼接的可能性值得追问。论文把对抗分析留待后续，复述闭环时保持同样的限定范围即可。该闭环在论文中是一个功能演示，证明了按约定顺序可嵌入、可分离、可比对。鲁棒性与防伪强度属于后续评价，当前结论聚焦受控条件下的保真性。

本研究训练了什么，没有训练什么，真实计算是什么？

本研究聚焦后生成流水线计算，优化器、学习率、训练轮数与损失函数属于原文范围之外。文本转语音模型是作为既有服务调用的，声学模型与声码器的参数状态以原文描述为准，模型名称的复述止于名称本身。

真实计算过程是纯粹的后生成流水线计算，包括音频切分、基于音频与元数据的密码签名生成。还包括签名分片、交错拼接，以及验证端的逆向切分、重组、签名重算与相等性比较。这些步骤属于确定性流水线计算，训练概念适用于模型训练阶段，本节聚焦构造与推理说明。

复现时只需要实现确定性的分块与分片顺序。选定一种哈希与签名原语并固定元数据格式，然后保证生成侧与验证侧使用完全相同的约定。论文对哈希输出长度、分片边界标记与采样率处理的描述止于高层流程。

这些都是复现前需要补齐而归属权在复现者的细节，论文范围以外的部分在复述时明确标注即可。把本节理解为构造与推理说明有助于准确定位，DsNA 是一个外挂的签名层，语音合成训练方法属于另一条线。

实验测什么，在什么数据与协议下测，指标方向是什么？

实验要回答的问题是在当前原型与受控条件下，把签名碎片交错进合成语音是否引入可测损伤。被测对象是原始合成音频与经过 DsNA 流水线生成的签名音频，比较条件是同一批样本经过流水线前后的配对比较。数据规模是 250 条由语音合成模型生成的样本，它们被送入流水线生成签名音频。

然后两组音频再送入评价流水线得到指标，论文对这 250 条样本的文本来源、说话人与采样率的描述止于数量与来源类型。时长分布、划分方式与聚合方法、评价流水线实现与硬件预算同样以原文为准，复述时沿用原文口径，指标包括信噪比、平均意见分、字符错率与词错率。

而指纹前后差异越小越支持保真性结论，信噪比用于捕捉信号层面失真。平均意见分用于捕捉人的感知质量，两类错误率用于检查内容经转写后是否一致。提出本组比较的公平条件是同一批 250 条合成样本的配对比较，指标方向按上述规则解读，重点看指纹前后差异而非绝对高低。

表后需要解释主要收益与具体代价，信噪比完全相同支持在信号层面没有引入可测失真。两类错误率不变支持转写一致性得以保持，这是保真性方面的收益。代价方面平均意见分从 4.51 变为 4.48，论文将其描述为极小差异。更为重要的是评价边界，论文把压缩、加噪与重采样下的指标以及篡改检出率列为未来工作。因此该表支持受控条件下的保真性，鲁棒性与安全性结论有待更多实验。

主结果显示了什么，支持什么判断，又不支持什么？

论文直接报告的结果是原始音频与指纹音频的信噪比均为 45.2 dB。平均意见分分别为 4.51 与 4.48，字符错率均为 1.8 %，词错率均为 2.6 %。用报告与显示来表述，这些数字是论文在 250 条样本配对比较中给出的测量值。

用支持来表述，信噪比不变支持指纹注入过程在受测条件下没有引入可测失真。两类错误率不变支持语言内容经识别后保持一致，平均意见分的微小差异支持感知质量基本保持。但并非数学上完全相等，必须保留这一限定，不能写成完全无损。

必须用可能与待验证来表述的是，该结果可能让人误以为指纹完全不可感知或完全鲁棒。但论文没有做听感显著性检验的统计方法说明，也没有测试任何真实世界变换。因此不能把当前保真性推广为鲁棒性，这种推广属于无证据外推。

信噪比 × 平均意见分： 信噪比的分工是从信号能量角度度量指纹嵌入是否引入可测失真，数值越高一般表示信号相对噪声越干净；平均意见分的分工是从人的听感角度度量感知质量是否下降。DsNA 同时报告二者的理由是信号指标不变不等于人耳听不出差异，需要信号与感知双重证据；组合的意义是只有当信噪比保持稳定且平均意见分几乎不变时，才能说交错嵌入在当前测试条件下同时保住了信号保真度与听感质量。

重提结果时要增加新的对照维度，即信号指标与感知指标的一致性。信噪比是仪器层面的能量比，平均意见分是人类打分层面的感知量。两类错误率是语音识别层面的内容量，三者在同一批数据上同时基本不变。比只看信噪比更有说服力，因为它覆盖了信号、听感与内容 3 个层面。但这种一致性仍局限于无攻击、无压缩的干净条件，一旦音频经过转码或噪声叠加。

块边界与碎片比特可能受损，重组签名与重算签名的相等性是否还能成立属于未验证推测。论文结论也承认当前只是初步概念验证，需要进一步研究感知评价与对抗操纵，这些正是结果部分不能省略的限制。

哪些对照缺失了，为什么不能做拿掉某模块的推断？

论文没有提供消融实验，没有比较不同分块数量、不同分片数量与不同交错顺序。也没有比较不同签名长度下的保真度与可恢复性，更没有比较有签名与无签名的验证成功率差异。因此不能复述拿掉分片后必然怎样，也不能推测两块三片是否为最优配置。

唯一可用的配置对照来自对实验条件的整理，原型固定使用两个音频块与 3 个签名碎片。在 250 条样本上测得上述保真数字，这是全文唯一可复述的运行点。若要做教学性的条件分析，只能指出缺项而不能给出结论。

若块数增加，块边界增多可能影响听感与切分精度，若碎片数增加。签名恢复的组合依赖更复杂，若交错顺序改变，生成与验证必须同步改变。否则无法恢复，这些都是待验证的假设，不是论文的结论，初学者要分清假设与证据。

同样，论文没有报告推理开销、嵌入延迟、输出时长变化或文件大小变化。因此不能承诺该方法是轻量的，只能转述论文自称为轻量后生成层，但实测成本缺失。复述时应明确区分已验证的是固定配置下的保真数字，未验证的是配置敏感性、计算代价与安全强度。

边界在哪里，哪些承诺不能做？

边界首先在评价范围上，论文只在受控的合成输出上比较了原始与指纹音频。没有覆盖压缩、噪声、滤波、重采样与剪切拼接等真实传输中常见的变换，也没有评估恶意剥离签名与伪造签名的对抗场景。因此不能把实验室的保真数字直接当成上线后的鲁棒承诺。

边界其次在验证指标上，论文展示了验证流程的 5 个步骤与两种结论分支。但没有报告真正例率、假正例率、漏检率或误判率，也没有报告在篡改样本上的检出能力。因此不能说该方法可靠地防止深度伪造，只能说它提供了一种可执行的真实性检查框架。

边界还在实现细节上，元数据字段、哈希与签名算法、密钥与公钥管理都没有公开。分片边界标记、采样率与文件格式处理同样缺失，资源状态显示没有完成安全协议验证的绑定资源。因此不得声称代码、模型或数据已公开，复现者需要自行补齐这些细节。

最后，平均意见分 0.03 的下降虽然很小，但论文没有给出统计显著性与置信区间。不能断言人耳完全听不出差异，只能说在报告的均值层面变化极小。总体趋势不等于每条样本都成立，论文只报告了聚合后的指标，没有给出每条样本的分布。因此不能把平均不变推广为逐条不变，这是常见的误读。

要复现 DsNA，先做什么，需要固定哪些信息条件？

复现的第一步是准备好既有语音合成调用，能批量生成波形并记录关联元数据。元数据格式必须在生成与验证两端完全一致，否则重算签名无从谈起，这是信息条件的起点。第二步是固定后生成流水线的确定性约定，音频分成两个相等块的具体切分点是按采样点数还是按时长。签名生成使用哪种哈希与签名原语、输出长度是多少，切成 3 个碎片的边界在哪里，交错顺序如何排列。

第三步是实现验证端逆流水线，保证拆分、重组、重算与比对使用同一套约定。提出该表要回答的比较问题是在没有外部检索库的条件下，仅靠共享的顺序与重算规则能否走通嵌入与恢复。公平条件是两侧约定完全相同，指标方向是能完整分离与正确比对，表中整理的是原文明确给出的可复现配置。

表后解释收益与代价，收益是该配置表给出了最小可运行闭环。任何复现都可以先按两块三片与 250 条配对比较起步，再逐步替换哈希原语与交错顺序做对照。代价是表中大量实现细节仍为空，哈希名称、密钥管理与边界标记都未报告。复现者补齐时必须记录自己的选择，不能把自己的选择说成论文的选择，还需主动增加压缩与剪切等变换。

为把验证闭环讲成可执行动作，需要回到论文给出的认证流程图。该图是复现验证端的直接依据，读图时把上排 5 个步骤当成代码函数。把下排两种结果当成返回值分支，任何跳过重算而直接信任嵌入签名的实现都违背设计。

看图路径： 1. 从上排第一步到第五步按输入拆分重组重算比对的顺序通读标题；2. 重点看第二步逆交错如何拆出签名碎片与音频块两类符号；3. 对照第三步上下两个子框区分重组签名与重建音频的不同对象

论文图 3。原论文 Figure 3：“Flow diagram for Authenticating Fingerprinted Audio”。

这张图上排从左到右依次是输入指纹音频、拆分提取、重组验证、重算签名与比较验证 5 个框。每个框内用小图标与简短英文说明输入输出，下排左侧图例区分签名碎片与音频块符号。对复现而言，关键动作是先实现逆交错切分，再分别实现签名重组与音频拼接。接着用重建音频加元数据重算期望签名，最后做相等性比较，安全性恰恰来自重算值与嵌入值的独立来源比对。

何时值得尝试，还需补哪项验证，如何避免常见误解？

当应用场景满足 3 个条件时值得尝试该思路，第一是生成方与验证方可以预先共享顺序与重算规则。第二是发布渠道允许音频结构因交错而变化，第三是首要诉求是在干净条件下附带自包含的来源证明。而不是在强压缩或对抗环境下依然可验证，这就是适用边界。

对于需要抵抗转码、剪辑或恶意伪造的场景，当前证据不足以支持直接部署。还需补充鲁棒性与安全性验证，包括常见变换下的签名恢复率与篡改样本的检出率。以及密钥泄露或顺序公开后的安全性分析，这些都是论文明确留作未来工作的方向。

常见误解需要澄清，第一，DsNA 不是新的语音合成模型，它不训练声学模型与声码器。只做生成后的签名嵌入，把它当成合成模型改进属于任务误判，第二，信噪比不变不等于听感完全无损。平均意见分仍有 0.03 的数值差异，且统计显著性未报告，不能写成完全透明。

第三，有验证流程图不等于已验证安全性，流程演示只证明按约定可嵌入与可比对。不证明在攻击下不可绕过，收束时回到可核对的事实。在 250 条样本的受控配对比较中，原始与指纹音频的信噪比同为 45.2 dB。字符错率同为 1.8 %，词错率同为 2.6 %，平均意见分从 4.51 变为 4.48。流水线固定使用两个音频块与 3 个签名碎片，这些是可以直接引用的数字与配置。超出这些数字的任何效果承诺都需要新的实验来支撑，这是复述必须守住的底线。

⚖️ 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

← 返回 interspeech-2026 论文汇总