语音伪造检测

论文用 ASVspoof 5 研究冻结 WavLM Base 各层区分真假语音的能力，发现中深层最具判别力、5 层组合优于 13 层全用，而深层更敏感于抖动等嗓音质量线索，但对抗攻击在所有层都难以检测。

共分析 25 篇语音/AI 论文

论文把压缩语音表示送入 8 比特变分量子电路做瓶颈变换，在匹配经典对照下主要改善固定阈值下的部署代价与校准，最强域外证据是 AASIST 上 EER 相对降低 28% 而真机验证只证明可行且代价不稳定。

共分析 146 篇语音/AI 论文

论文用冻结的 W2V-BERT 2.0 加两套混合小波提示分别适配说话人验证与伪造检测分支，仅训练约 7M 参数就在 SpoofCeleb 评测上得到 0.03% 伪造检测等错率与 0.038 最小 a-DCF，代价是推理时要做两次提示条件前向。

论文在同一协议下比较交叉熵与七种辅助目标，用位移除以 spread 的尺度感知诊断显示余弦一致性的位移下降来自空间缩小而非更稳定，且四个坍缩到近常数输出的运行被等错误率和 t-SNE 掩盖，没有辅助目标在种子、架构和语料上都优于交叉熵。

针对伪造语音类型持续新增且原始语音不能集中共享的问题，FedCFM 让每个客户端在嵌入层训练条件流匹配生成器并交换生成器，再用生成回放加知识蒸馏更新分类器，在相同训练数据组合下报告了低于所比较集中式与联邦基线的等错误率，但生成器交换轮带来约 164.1 MB 的单客户端通信开销。

针对自监督检测器偏向全局语义与跨域层重要性漂移问题，GLAD 用语言声学交叉注意加信号卷积的多粒度融合与样本级门控组织证据，在只训练 19LA 条件下报告 21DF 等域上更低的等错误率，但以双自监督加卷积分支的更大推理开销为代价。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

针对大参数检测器逐条调用成本过高的问题，该文用转置卷积与逆短时傅里叶变换推导的可预测谱峰加线性频率倒谱时变特征训练 151 KiB 梯度提升树，在同源测试报告等错误率 0.021%，并在 0.050% 漏检约束下估计节能 84.4%，但留一生成器误差分布不均显示跨生成器迁移仍是主要限制。

针对伪造语音攻击下说话人确认失效问题，BiSASV 用说话人全局统计调制反欺骗特征再反向门控说话人嵌入，并在 ASVspoof 2019 LA 评估集上报告 SASV-EER 0.73% 与 min a-DCF 0.0153，代价是依赖预训练前端与联合后端调参。

针对未见攻击与声学条件下的语音伪造检测，论文提出域自适应双选通混合专家，在波形与自监督表示两路做 Sinc 滤波并用域原型指导路由，在 21DF、ITW 和 FoR 上把等错误率从 3.69%、10.46% 和 7.47% 降到 2.54%、6.35% 和 4.42%，代价是只增加约 0.17M 参数并引入选通与原型等附加设计。

该研究固定模型与采样条件，以规模抽样和多源混合两组对照说明固定生成方法下扩量收益先升后降，而 53 种生成方法、94 小时的小混合集在跨域上优于上千小时的单一大数据集，但未验证模型容量与采样策略的交互代价。

论文用目标模型样本的平均残差做指纹并以马氏距离做归因与检测，在多语种多架构上报告近乎完美的单模型归因与可比深度基线的闭世界分类，代价是对抗自适应攻击与强混响压缩仍需重估计指纹。

针对神经编解码语言模型自回归解码中词元级伪影累积与偏离自然分布的问题，MSpoofTTS 冻结 NeuTTS2 等基座模型并用 5 个多分辨率词元级真伪判别器做分层剪枝与重排，在 LibriSpeech 和 LibriTTS 上把感知质量做到最好或次好，但以多候选并行解码的推理开销为代价。

针对只用少数公开模型训练导致在真实商用语音合成面前泛化不足的问题，论文用 30 个 API 约 230 小时伪造语音构造 MultiAPI Spoof 并提出在嵌套块间加滑动窗口局部注意力的 Nes2Net-LA，加入训练后把 MultiAPI 测试集等错误率从 7% 以上降到 1% 以下且在未见 API 上仍有效，代价是 API 溯源中未见类召回仍偏低。

针对单中心单类学习把真语音压成单峰分布的问题，QAMO 按语音质量建立两个真语音中心并用质量分类与单类损失联合训练，在 XLSR-Conformer-TCM 上于 In-the-Wild 取得 5.21% 等错误率，代价是依赖 Scoreq 预测与增强样本的质量代理假设。

针对语音伪造检测中自监督特征平滑掉细粒度伪影的问题，该文冻结语音编码器、只用约 4.4% 附加参数学习量化器层级加权，在 2019 年评测上相对基线降低 46.2% 等错误率，在第 5 代评测上降低 13.9%，代价是增益随编解码器家族变化且静态权重不能自适应样本。

针对单句反欺诈易过拟合伪造痕迹的问题，RAT 用同说话人真参考做交叉注意力的增强训练，在 ASVspoof 5 评估集上以 2.57% EER 和 0.074 minDCF 达到单模型最优，且推理时可直接用零向量代替参考，代价是需要配对采样和两阶段微调。

针对大语言模型时代文本转语音与声音转换带来的分布漂移，VoxENES 2026 用英西双语 53628 个样本与 10 种后处理复现部署条件，不微调评测 8 个预训练检测器，最好的等错误率也只有 28.98%，多数接近随机猜测，代价是现有检测器依赖的细粒度伪影不再可靠。