不只判断每帧真假：用相邻帧的方向变化定位部分伪造音频边界

英文题目：Temporal Transition-Aware Multi-Head Modeling for Partially Spoofed Audio Detection and Localization

会议身份：conference:interspeech:2026:conference-paper-id:kim26e_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：#多任务学习 #RNN #语音 #语音伪造检测

评分：6.8/10 | 创新 1.6/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.8/1 | 影响力 1.1/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Yunsu Kim：机构信息未能从会议 PDF 纯文本可靠映射
• Juyeob Lee：机构信息未能从会议 PDF 纯文本可靠映射
• Eunil Park：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

部分伪造音频定位（Partially Spoofed Audio Localization，PSAL）输入为整句含短篡改段的语音，输出为逐帧真伪标签以定位篡改区间，难点是拼接边界平滑且音素韵律变异会淹没帧级不一致。该方法用预训练自监督学习（Self-Supervised Learning，SSL）模型 XLS-R 将 16 kHz 波形转为 20 ms帧嵌入并经线性层由1024维投影至256维，再经堆叠2层的三路多尺度门控循环单元（Multi-Scale Gated Recurrent Unit，MS-GRU）融合不同膨胀率局部卷积与双向长时上下文，随后帧真实性头、相邻帧三向过渡头并行输出，最后由精炼头融合帧概率与方向性边界概率重估每帧标签。与仅做帧二分类或无向边界检测相比，三向过渡显式区分进入与离开篡改的不同演化模式，使精炼更具时间一致性。在 PartialSpoof 评测集上帧级等错误率（Equal Error Rate，EER）为 6.45%，较最强基线 CFPRF 的 7.41% 降低 0.96 个百分点，在 PartialEdit-E1/E2 上分别为 4.50% 和 3.85%。结论限于英语朗读式篡改语料与 20 ms 评测，多篡改段尾边界与跨语言泛化尚未验证。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

输入是什么？目标为何是定位而非整句判断？

这篇论文的输入是一段包含真实与合成拼接的语音波形，输出是每隔 20 毫秒给出一个真伪判断，形成与时间对齐的帧级标签序列。目标读者是刚进入语音与音频方向的研究生，需要先建立的直觉是：部分伪造不是整句都是假的，而是真话里藏了一小段假话。例如一句话中只有一个词被语音编辑模型替换，听感可能完全连贯，但语义已被改变。整句二分类只能回答这句话是否含假，无法回答假在哪里、假了多长。

定位任务要求把篡改段的起点与终点都找出来，分辨率越细，允许的误差越小，难度越大。论文把分辨率固定在 20 毫秒，这是 PartialSpoof 数据提供的最细粒度设置之一。20 毫秒大约对应一到两个音素的长度，意味着模型不能依赖长段统计差异，只能捕捉相邻帧之间的细微变化。论文明确指出，实验在 16 千赫采样下进行，训练时从每句随机裁 4 秒窗口，评估时送入完整变长序列。这种训练与评估长度不一致的安排，是为了在有限显存下保持批量训练，同时在测试时不截断边界。

理解这一点后，后续的多尺度建模与多头监督才有落点：它们都是为了在细粒度下让边界更尖锐、让段内预测更连贯。

已有路线分几类？各自卡在哪里？

论文把已有部分伪造定位方法归为两类。第一类是帧级不一致路线，假设伪造帧在统计上与真实帧不同，于是训练模型把两类帧在嵌入空间分开。代表工作包括用嵌入相似性模块增强可分性的 TDL、用双分支一致性损失突出篡改差异的 GNCL、用梯度反转缓解域偏移的 AGO，以及用高频分量构造自一致性图的 PET。这类方法的困难在于，帧级差异不仅来自篡改痕迹，也来自语音本身的音素、韵律与说话人变化。只用一个二分类损失，很难把自然变化与篡改痕迹分开。

第二类是边界感知路线，直接利用拼接处的缝合痕迹，例如双头联合优化帧分类与边界检测、带边界增强注意力与帧间门控的 BAM、从粗到细精修起止时间戳的 CFPRF。这类方法把边界当作逐帧或逐段的二值标签，判断某处是不是边界，但没有编码边界两侧表示应该如何变化。论文引用已有分析指出，在部分伪造数据上训练的模型，其证据往往集中在转移区附近，这支持了边界是关键线索，但也暗示只做二值点检测会丢失方向信息。

教学上可以这样区分：第一类问每 1 帧像不像假的，第二类问每一处像不像缝，而本文问从上 1 帧到下 1 帧发生了哪种方向的变化。方向的引入是全文与两类路线的主要分界。

为什么方向转移比单帧真伪更可靠？

论文的核心假设是：相邻帧的时间演化比孤立帧的绝对取值更可靠。语音是连续信号，真话内部的帧间变化通常平滑，而真假拼接处会出现表示空间的状态跳变。即使合成语音本身足够逼真，拼接点两侧的声学条件、相位连续性或模型痕迹仍可能留下方向性差异。沿一个样本走一遍有助于理解：假设一句话的前 30 帧为真、中间 20 帧为假、后 30 帧为真，帧标签就是 30 个 0 接 20 个 1 再接 30 个 0。二值边界标签只在两个切换点标 1，其余标 0，不区分是进入还是离开。

而论文提出的方向转移标签在进入点标 1 表示 Real→Fake，在离开点标 2 表示 Fake→Real，其余标 0 表示非边界。这样监督信号显式告诉模型，进入与离开是两种不同的变化模式，应当用不同的表示跳变来编码。下面的示意图把三行标签并排展示，值得逐行对照阅读。

看图路径： 1. 先看顶部波形中黑与红段的分界，对应两条蓝色虚线标出的拼接点；2. 再看中部帧标签 0 与 1 的排列，确认篡改段为连续 1 块；3. 比较下部三向转移标签中 1 与 2 的位置，理解进入与离开被分别编码；4. 对照最底部二值边界标签，体会二值只标有无而不标方向的差别

论文图 1。原论文 Figure 1：“1”。

该图顶部是黑红相间的波形，蓝色虚线标出拼接位置。中部是帧标签序列，灰色 0 块与红色 1 块交替。中间一行是论文提出的方向转移标签，用多层感知机对相邻帧对分类，1 对应进入、2 对应离开。底部是传统二值边界标签，两处都标 1。解释该图的关键是看到：二值标签把两种边界混为一类，而三向标签保留了时间顺序。

论文的后续设计都围绕保留这个顺序展开，包括用帧对特征显式构造转移表示，以及用精修头融合帧证据与方向证据。需要强调的是，这只是一个教学例子，图中方格数不代表真实语句长度，真实评估是以 20 毫秒为步长的连续帧序列。

整体框架如何从波形走到最终定位？

整体流程可以沿一个样本走完：原始波形先送入预训练的 XLS-R-300M 前端，得到 1024 维的帧级嵌入，帧移为 20 毫秒。然后经线性投影降到 256 维的模型维度，后续所有时序建模都在该维度进行。接着堆叠两层多尺度 GRU 模块，每层内部同时用空洞卷积看局部多范围模式，用双向 GRU 看整句前后文，再经门控融合成新的帧表示。融合后的序列再并行经过前馈网络与双向 GRU 增强，最后加权平均得到最终帧特征。

基于该特征引出 3 个头：帧头做每帧真伪二分类，转移头对每对相邻帧做三分类，精修头把帧特征与两个头的概率拼接后重新估计每帧真伪。最终输出是精修后的帧级概率序列，经阈值与连续成段即可得到篡改区间。下面的总体框图展示了该数据流与 3 个损失的汇合关系。

看图路径： 1. 沿左侧波形经 XLS-R 与 proj 到 MS-GRU 再到帧序列的主路径看数据流向；2. 观察左下 MS-GRU 框内三路空洞卷积与 Bi-GRU 如何汇入 GEGLU 门控；3. 查看右上帧头与转移头如何并行输出后再汇入精修头；4. 注意右下细节框中相邻帧表示如何分出同帧、进入与离开三类

论文图 2。原论文 Figure 2：“Overall framework of the proposed partially spoofed audio localization method.”。

该图左侧从波形经 XLS-R 与投影进入多尺度 GRU，中间经线性与双向 GRU 分支形成帧序列，右侧帧头与转移头并行接入精修头并输出 0 与 1 序列。左下放大框显示多尺度 GRU 内部的 3 路卷积与双向 GRU 经加权求和与门控融合，右下放大框显示相邻帧表示如何分出同帧、进入与离开 3 类后再汇入精修头。阅读时先沿主路径看输入到输出，再看两个放大框理解局部与全局如何分工。这种先走通主路径再展开细节的顺序，有助于避免把 3 个头的监督混为一团。

多尺度 GRU 内部做了什么计算？

多尺度 GRU 是论文的时序主干，承担把帧嵌入变为边界敏感表示的职责。它包含两个并行支路。第一个是 1 维卷积支路，用 3 条空洞率不同的通路观察当前帧周围。原文实现取空洞率为 1、3、5，核大小为 3。例如空洞为 3 时，通路聚合 t 减 3、t、t 加 33 帧，在 20 毫秒帧移下对应正负 60 毫秒范围。

每条通路经非线性激活得到候选表示，再用可学习的权重做加权求和并经线性投影，形成卷积侧的融合特征。权重由对可学习 logits 做归一化得到，模型可以学到不同尺度的重要性。第二个是双向 GRU 支路，对同一输入序列做前向与后向递推，拼接 2 个方向隐状态后再经线性投影到模型维度。它的作用是给出篡改段在整句中的位置感与演化方向。两个支路的输出在每帧拼接后，用基于 GEGLU 的门控动态融合，再加残差连接、丢弃与层归一化得到该层输出。

门控的直观作用是自适应平衡局部突变线索与全局上下文，突出与篡改相关的变化并抑制无关波动。

帧真伪分类 × 方向转移分类： 帧真伪分类负责判断单个帧是真实还是伪造，提供逐帧的真实性证据；方向转移分类负责判断相邻 2 帧之间是否发生 Real→Fake、Fake→Real 或无边界变化，提供边界处的变化方向证据。二者搭配的原因是单帧证据易受语音自身变化干扰而在边界附近不稳定，而转移证据直接对变化建模可以标出进入与离开篡改段的位置，组合后精修头能用转移线索校正帧级预测，形成更时间连贯的定位输出。

多尺度卷积支路 × 双向 GRU 支路： 多尺度卷积支路用不同空洞率的 1 维卷积在当前帧附近多范围采样，捕捉局部连续性与拼接造成的短程突变；双向 GRU 支路沿整句前向与后向传播隐状态，捕捉篡改段在句中位置与长程演化方向。二者搭配的原因是局部突变需要多感受野才能在 20 ms 细粒度下被放大，而长程上下文能区分孤立噪声与真正的段级切换，组合后经门控融合得到既保留细节又带有全局位置感的表示。

帧头 × 精修头： 帧头只用单帧特征输出真伪两分类 logits，提供独立于邻帧的基线判断；精修头把单帧特征与帧头概率、Real→Fake 概率、Fake→Real 概率拼接后重新估计真伪，引入边界与上下文。搭配的原因是帧头在篡改段内部可能提前跌落或在边界抖动，而转移概率在边界处峰值明显，组合后精修头能在边界附近依靠转移线索拉直决策，在非边界区依靠帧证据保持稳定。

需要记住的复现细节是：投影后维度为 256，堆叠层数为 2，卷积通路数为 3。这些数字决定了感受野与参数量，也是消融中去掉任一支路后性能下降的对照基础。

三个损失如何构造监督？参数如何更新？

训练目标由三项组成。第一项是帧损失，把最终帧特征送入帧头得到真伪两分类 logits，对有效非填充帧求交叉熵平均。它只看单帧表示，不显式依赖邻帧，目的是学到每帧的真实性证据。第二项是转移损失，对每个有效相邻帧对构造三向标签：两侧帧标签相同为 0 表示非边界，前 0 后 1 为 1 表示进入，前 1 后 0 为 2 表示离开。第 1 帧没有前 1 帧，不做转移预测而赋均匀分布。

转移头输入由前 1 帧与当前帧的拼接、差绝对值与逐元乘积组成，形成 4 倍维度的对表示，再经多层感知机输出 3 维 logits，用类别加权交叉熵训练，以缓解非边界对占绝大多数的不平衡。第三项是精修损失，把单帧特征与帧头概率、进入概率、离开概率拼接成输入序列，送入精修头得到每帧精修 logits，用加权二值交叉熵训练，其中真值边界帧被赋更大权重以强调边界区。总体损失为帧损失加 0.5 倍转移损失加 1.0 倍精修损失。优化时后端学习率为 1e-4，前端为 1e-6，权重衰减均为 1e-4，批量为 8。

论文同时报告冻结与微调前端两种设置，冻结时前端不更新，微调时以前端极小学习率联合更新。原文未给出梯度截断、学习率调度与早停细节，这是复现时需要补记的缺项，不应从模型名推定。

二值边界标签 × 三向转移标签： 二值边界标签只标记是否为边界起止点，不区分进入还是离开篡改段；三向转移标签进一步区分 Real→Fake、Fake→Real 与非边界，保留变化方向。二者搭配比较的原因是论文要验证方向信息是否必要，实验显示把三向监督替换为二值监督后性能一致下降，说明方向能让模型对进入与离开采用不对称编码，组合意义在于证明边界建模不应只做点检测而应做有序对建模。

理解损失交互很重要：转移损失鼓励主干在边界处产生方向性跳变，精修损失鼓励利用该跳变校正帧级决策，二者联合训练也会反向校准帧头与转移头的输出。

在哪些数据与条件下比较？指标方向是什么？

实验覆盖 3 个部分伪造数据集。PartialSpoof 基于 ASVspoof 2019 构建，每句只含一个篡改区，训练、开发与评估的划分沿用官方协议。PartialEdit 包含每句多个篡改段，篡改词由大语言模型选定，场景更复杂。论文按 ASVspoof 2019 说话人元数据把说话人分为 20、20、68 人，分别对应训练、开发与评估，保证说话人不重叠。由于 PartialEdit 不提供真实语音，论文用 VCTK 按同样说话人划分构建真实集。

所有实验统一在 20 毫秒分辨率下进行，论文强调这比 80 毫秒或 160 毫秒更具挑战，因为真伪帧的局部差异更细微。比较对象包括 TDL、GNCL、BAM、CFPRF 以及带双向长短时记忆的残差基线，为公平起见都在 20 毫秒自监督嵌入输入下重实现。评估指标为帧级等错误率，即误接受率与误拒绝率相等时的工作点，数值越低表示定位越好。需要区分的是，帧级等错误率衡量逐帧判断的整体折中，不直接等于边界时间误差，也不等于人耳感知质量。

不同指标的差值不能混放，百分点差与相对百分比也不同，阅读时应只比较同数据集、同分辨率、同指标下的数值。下面的配置表整理论文明确给出的可复现超参数，数值与单位保留原文写法。

该表提出的问题是复现时哪些数字必须先对齐：模型维度 256、空洞组合、堆叠层数与损失权重决定了结构与监督强度，学习率与批量决定了更新步长。表中取值的代价是训练时随机裁剪可能截断长距离边界上下文，而评估用全长序列可以保留完整转移，但二者长度分布不一致，需要在复现中保持相同的裁剪与全长评估协议，否则帧级等错误率不可比。一个未评测的边界是推理延迟与显存占用，原文未报告，因此不能从等错误率的提升推定实时性改善。

主结果测了什么？谁在什么条件下更优？

主结果要回答的问题是：在相同 20 毫秒帧级等错误率下，方向转移建模是否在 3 个数据集上一致优于已有可运行策略。公平条件是所有基线都用同分辨率自监督嵌入重实现，指标方向为越低越好。下表把论文直接报告的调优版结果与文中给出的超越幅度并列，数值保留原文精度。

该表显示，论文报告在最具挑战的 PartialSpoof 上达到 6.45%，在 PartialEdit 两种设置下达到 4.50% 与 3.85%，且在冻结前端时已在 3 套数据上领先冻结基线，调优后进一步提升。支持的判断是方向转移与多头精修的组合在多篡改段与单篡改段场景下都有效，而非只在某一数据上偶然成立。需要同时看到的限制是：PartialSpoof 训练与评估分布差距大，PartialEdit 的离开边界本身更平滑，因此跨数据集的绝对数值不可直接比较好坏，只能比较同数据集内的相对排序。下面的单句多头时间线展示了精修如何利用边界线索稳定段内预测。

看图路径： 1. 先看第一排帧头与精修头概率曲线在篡改段内的高低与抖动差异；2. 再看第二排进入与离开边界概率峰分别对齐哪条垂直虚线；3. 对照第三排最终掩码与第四排真值掩码的起止是否对齐；4. 注意横轴时间为秒，纵轴为概率，区分概率曲线与二值掩码

论文图 3。原论文 Figure 4：“Multi-head outputs over time for a single utterance.”。

该图从上到下依次为帧头与精修头概率、进入与离开边界概率、最终掩码与真值掩码，横轴为秒。可见帧头概率在篡改段后半段提前下滑并出现抖动，而精修头概率保持高位直到真值离开点；第二排进入峰尖锐对齐进入虚线，离开峰更宽但仍覆盖离开虚线。这支持论文的解释：帧证据在边界附近不稳定时，转移线索能帮助重新对齐决策。像素不能精确读出的具体概率阈值不应硬写，图中曲线的价值在于相对形状与对齐关系，而非某一点的绝对数值。

冻结前端 × 微调前端： 冻结前端指 XLS-R 参数不更新，只训练后端多尺度 GRU 与多头，考验后端本身的定位能力；微调前端指以前端极小学习率联合更新表征，允许声学特征向伪造痕迹适配。搭配比较的原因是部分伪造定位常依赖大预训练模型的微调增益，论文同时报告两种设置以分离结构与表征的贡献，组合意义在于显示该方法在冻结时已超过多数调优基线，微调带来进一步增益而非必需依赖。

边界处的表示与概率到底变化了多少？

论文用两组统计验证边界信号是否真实存在。第一组是相邻帧表示的动态：进入边界的差范数大、余弦相似度降到约 0.42 到 0.57，非边界相似度接近 0.99，说明进入篡改段时表示发生清晰状态切换。离开边界在 PartialSpoof 上同样变化大，但在 PartialEdit 上更平滑，论文推测这与一句多段篡改使偏移边界更难预测有关，但离开处的改变量仍大于非边界，信号没有完全坍缩。第二组是转移头的平均概率，直接反映模型对边界的置信。下表整理论文原文连续句中给出的平均概率，保留原文精度与条件。

表前的问题是转移头是否在不同数据上都对方向做出分离响应，公平条件是均值都按真值进入、离开与非边界分组聚合，指标方向为边界概率越高、非边界越低越好。表后解释是：进入概率在 3 套数据上稳定在 0.83 以上，说明进入痕迹更显著；离开概率在 PartialEdit 降到 0.60 与 0.64，但仍明显高于非边界的 0.06，说明模型仍能放大微弱的离开信号。一个反例是离开边界的概率下降本身，表明多段编辑下偏移检测仍是短板，不能把总体等错误率的领先推广为每类边界都同样可靠。

拿掉结构或监督会发生什么？方向是否必要？

消融要回答两个问题：多尺度 GRU 的结构贡献有多大，三向转移监督是否比二值边界监督更必要。论文固定损失去掉多尺度 GRU 整体，或只去掉卷积支路、只去掉双向 GRU 支路，结果在 3 套数据上一致变差，说明两支路提供互补的时间信息。固定结构逐步去掉精修损失与转移损失时，只用帧损失的配置下降最严重，保留帧与转移但去掉精修仍不如全损失，说明转移需要精修来兑现为最终增益。

把三向标签替换为传统二值边界标签并保持同样的转移与精修头，性能在 3 套数据上一致下降，这支持方向是主要来源而非精修头的参数量带来的偶然增益。进一步在轻量主干上比较帧交叉熵、二值边界多任务、三向转移多任务，发现只有显式建模时序递推的双向 GRU 从三向监督获得最大增益，卷积因感受野固定而增益有限，变换器因全局注意力稀释局部突变而增益温和，多层感知机因无跨帧机制几乎无增益。

这说明方向监督的效果依赖主干的时间归纳偏置，不是放之四海的免费增益。一个未胜出的细节是二值监督下精修头的增益变得微弱且不一致，这反证了精修需要方向概率才能有效校准。下面的 2 维轨迹图直观显示了方向不对称编码。

看图路径： 1. 先确认横轴 PCA-1 与纵轴 PCA-2 构成的二维投影空间；2. 沿星形起点到叉形终点的灰色轨迹按时间顺序走一遍；3. 观察绿色菱形进入点附近轨迹快速跳变到红色伪造簇；4. 比较粉色方形离开点后轨迹缓慢回到蓝色真实区的长路径

论文图 4。原论文 Figure 3：“2D PCA trajectory of fused features for a single utter- ance.”。

该图横轴与纵轴为两个主成分，蓝点为真帧、红点为伪造帧，灰线按帧序连接，星形为起点、叉形为终点，菱形与方形分别标出伪造起点与终点。可执行的观察是：进入点附近轨迹在短步数内快速跳到右侧红色簇，离开点后轨迹沿较长路径缓慢回到蓝色区，形成不对称环路。这与论文统计的相邻帧差范数与余弦相似度一致：进入边界变化大、相似度低，非边界变化小、相似度接近 0.99。需要谨慎的是，主成分投影只为可视化，不代表原始 256 维的真实距离，轨迹形状支持但不证明因果。

哪些结论尚未验证？适用边界在哪里？

论文明确承认研究仅限英语语料，跨语言鲁棒性与更复杂编辑模式是未来工作。这意味着当前结果支持在英语部分伪造数据上的有效性，可能但待验证适用于其他语言，不能直接承诺跨语言增益。缺失的证据还包括误判率分解、延迟、计算开销与输出帧率，原文未测量这些量，因此不能从等错误率的提升推定系统更快或更省。训练资源方面，原文只给出批量、学习率与权重衰减，未报告硬件型号、训练时长与收敛曲线，复现时需要自行记录。

推理开销方面，前端为 300M 量级的 XLS-R，后端为两层多尺度 GRU 与三头，总体趋势是后端轻于前端，但每步实际延迟取决于序列长度与实现，不能用总体趋势代替每组测量。另一个适用条件是标注依赖：三向标签需要精确到帧的真伪标注才能构造相邻对，若只有 utterance 级弱标签，该监督无法直接使用。此外，评估用全长序列而训练用 4 秒裁剪，若复现时改变裁剪长度或评估分段方式，边界处的上下文会变化，结果可能偏移。

把这些边界说清楚，比重复摘要更有助于后人决定何时尝试该方法。

复现应先做什么？如何核对关键步骤？

复现的第一步是按原文重建数据划分与分辨率。PartialSpoof 沿用官方划分，PartialEdit 按说话人 20、20、68 人划分并用 VCTK 补真实集，所有音频重采样到 16 千赫并以 20 毫秒帧移提取 XLS-R 嵌入。切忌把 80 毫秒或 160 毫秒的结果与 20 毫秒混比，因为分辨率越细任务越难。第二步是对齐模型维度与堆叠：投影到 256 维，多尺度 GRU 堆两层，卷积空洞取 1、3、5，损失权重取转移 0.5、精修 1.0，后端学习率 1e-4、前端 1e-6。第三步是实现 3 个头的输入构造：帧头只用单帧特征，转移头用相邻 2 帧的拼接、差绝对值与逐元乘积，精修头把帧特征与 3 个概率拼接。

第 1 帧无前 1 帧，按原文赋均匀转移分布而非丢弃。第四步是先跑冻结前端验证后端增益，再跑微调前端看进一步提升，2 阶段结果分别对照论文的冻结与调优两行，避免把微调增益误归于结构。核对时建议先检查进入边界的相邻帧余弦是否明显低于非边界，再检查转移概率是否在真值边界处峰值对齐，最后才看帧级等错误率。若进入概率高而离开概率低，应重点检查多段数据的离开标注与加权是否正确。

关于可用性，本次未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开，需要自行实现并记录环境。

何时值得尝试这种方向转移建模？

当任务是细粒度定位而非整句判断，且篡改痕迹主要藏在拼接处时，值得尝试把相邻帧对的方向作为显式监督。它的前提是有精确帧标注、主干具备时序递推能力，以及评估允许 20 毫秒级的逐帧输出。若主干是无跨帧建模的多层感知机，或任务只有弱标签，方向监督的增益可能很小，此时应先补时序建模或标注。

若已用二值边界多任务但提升不稳定，可以把二值替换为进入与离开的三向标签，并保留精修头让方向概率参与最终决策，同时用冻结与微调两档分离结构与表征的贡献。复现后还需补的验证包括跨语言测试、多段编辑下的离开边界误差分解，以及延迟与显存的实测，才能判断该方法在部署条件下的真实代价。

回到起点，本文的判断可以复述为：不只问每帧像不像假的，而要问从上 1 帧到这 1 帧发生了哪种变化，用方向把边界的进入与离开分开编码，再用融合把不稳定的帧证据拉直。

⚖️ 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