语音伪造检测

针对防伪造说话人验证同时依赖说话人相似度和伪造检测分数的问题，AGENT 用分数最大化加方向选择性梯度融合做黑盒迁移攻击，在级联结构上报告最高 99.62% 攻击成功率，代价是扰动预算增大时信噪比降至 22 dB 左右。

针对多域混合训练时单高斯风格假设不足的问题，该文用风格空间在线高斯混合模型估计簇内偶然不确定性并与批量级扰动叠加增强，在 ASVspoof5 第一轨评估集上报告等错误率为 3.96% 和最小检测代价为 0.108，代价是引入分量数 K 与强度 λ 等超参数及批量统计稳定性依赖。

SMIA 针对 AI 合成语音中人耳不敏感的低能量时频区做黑盒频谱掩蔽与插值搜索，在 ASVspoof 2019 与 LibriSpeech 上报告独立反欺骗最高 100%、独立验证最高 97.5%、联合管线最高 82% 的攻击成功率，但强反欺骗与保真说话人特征之间存在明显张力。

针对部分伪造音频中短篡改片段难定位的问题，该研究用多尺度 GRU 建模时序连续性并以帧真伪、方向转移、融合精修三头联合监督，在 20 ms 分辨率下于 PartialSpoof 取得 6.45% 帧级等错误率并在 PartialEdit-E1/E2 取得 4.50% 与 3.85%，代价是需要精细帧标注与多损失调参。

该工作把二分类 deepfake 检测与开集来源归属统一为层次度量学习加小样本原型注册，用 WavLM-Large 加 LoRA 在 MLAAD v9 时间划分上训练并在 ASVspoof 5 Track 1 开放条件上报告 0.49% 等错误率与 99.0%/97.0% 归属精度，代价是余弦分数校准偏差与对原型覆盖度的依赖。

针对语音伪造检测只给真假标签而缺可核对解释的问题，该工作用冻结检测模型的可解释人工智能归因图加声学特征重要性约束多模态大模型生成时频定位解释，在 PartialSpoof 上以人工评分和定位保真度检验显示定位精度大幅提升，但多模型聚合会增加推理难度与不稳定性。

针对多方言阿拉伯语反欺骗基准缺失问题，ArFake 用 Casablanca 八方言加四种 TTS 构建 54413 条混合语料并以 Whisper-large 加浅分类头做检测，在域内取得 4.88% 等错误率、在未见 VITS 上取得 97.94% 准确率，代价是训练集伪造占比近七成且部分满分依赖低质量合成伪影。

针对防欺骗说话人确认中说话人判别与伪造检测目标不一致且分数分布易漂移的问题，论文提出以开发集等错率阈值边距为置信度的软门控分数融合，在两个基准集与四种声学模型组合上报告相对基线最高约 90% 的 a-DCF 相对改进，但阈值贴近 0 或 1 时会明显失效。

针对自监督前端加图池化后端这一语音防伪路线，SpAArSIST 把可学习图池化与堆栈节点注意力换成可控稀疏与轻量聚合，在后端计算量下降 20.7% 条件下把 In-the-Wild 等错误率从 4.64% 降到 2.82%，代价是 ASVspoof5 域内等错误率从 4.49% 微升到 5.05%。

该文在匹配主干与数据轮次预算下比较全局分类锚定与成对验证做开放集语音合成源头追溯，报告域内全局锚定 8.61% 等错误率优于成对变体的 12–15%，并以瓶颈对照与 k99 分析支持差距来自目标函数对嵌入方向的塑造而非单纯维度降低。

针对 ASVspoof 5 训练集中真假语音文本内容错位导致的语言捷径问题，论文用 Common Voice 训练的语言教师经梯度反转引导 XLSR 学生学语言不变表示并以变分信息瓶颈约束去除强度，在九个域外评测集上把混合等错误率降到 8.72% 但在 ASVspoof 5 域内评测上仍弱于挑战赛前四名。

论文把欺骗检测改写为固定指令下比较 bonafide 与 spoof 标签序列似然的生成式任务，报告冻结大语言模型层会削弱声学可分性，而用 DoRA 轻量适配后的 Spooftral 在 ASVspoof5 评估集上报告等错误率为 4.25%，代价是仍需任务训练且特定攻击明显更难。

该文构造只含合成语音的 2732 小时 66 语言语料 LRLspoof，用外部混合基准标定的等错误率阈值做零样本迁移评估，发现同一检测器在固定合成器下跨语言的伪造拒绝率可相差数十个百分点，但该结论只刻画伪造拒绝一侧，未测量目标域真人语音误拒。

论文针对巴西葡萄牙语合成语音口音稀释问题，用多语言音素识别加传统声学分析构建说话人级音系画像，仅在自然语音上拟合核密度估计即显示可分性，并在自建集与公开反欺骗集上验证了对大模型的增益与跨域泛化，但语音克隆场景下增益收窄且需要较多同说话人语句聚合。

该研究把 AASIST2 图注意力层拆成打分对称性、温度可学习性与路由粒度三条残差分支，在统一 LoRA 条件下用五个评测集和五个随机种子检验，发现 LearnT 平均统一等错误率最优而 GATv2 与 LearnT 联用反而明显退化，说明分支之间是非可加的相互作用。

针对未见伪造攻击泛化难的问题，CRAF 以 SSL 为主、ALLM 为高层引导做残差感知融合，在 ASVspoof 5 上 Kimi-Audio 配置报告评估 EER 为 5.96% 与 minDCF 为 0.1192，但攻击间差异与门控依赖仍是代价。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

该工作以 XLS-R 高维表示为输入，对比单层全连接与单层 KAN 后端，在 21LA 上把聚合 EER 从 2.38% 降到 1.07%，代价是后端参数从 2.05k 增至 22.54k 但仍远小于主流系统，且在 FoR 等个别集上 KAN 并未取胜。

针对新伪造语音出现时微调整个检测器会遗忘旧数据的矛盾，该工作冻结定制 ResNet18 主干、只训练 128 维嵌入后的轻量回溯翻译器做类条件分布对齐，在 FoR、ITW 和中文 ADD22 上保持源域 95.0% AUC 与 9.74% EER 的同时把目标域做到约 95-98% AUC，代价是目标域 EER 比全量重训高约数个百分点。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读