音频深度伪造检测

VeriSpoof 把真伪、来源、录音条件、定位都写成句子选项并用似然差打分，用固定字段的可核查依据链把部分伪造找出来，同一套权重在 14 个公开集上达到 2.14% 混合等错率并能在未见过生成器上做同源验证。

共分析 28 篇语音/AI 论文

MIP 把 AI 生图检测、局部篡改定位、人脸变形检测、换脸视频检测、语音伪造检测和文本分析装进同一套微服务平台，用代表性基准验证了各模块在各自条件下的表现，但跨生成器和跨数据集的泛化仍受限定条件约束。

RealComm 用同一句话的数字源与真实手机通话录音配对，揭示现有检测器过电话后明显变差，并用分阶段波形增强加真实通话训练把 Teffic-Audio 的通话域等错误率从 37.94% 降到 22.37%，代价是需要覆盖多种注入路径和设备的采集与训练。

共分析 34 篇语音/AI 论文

SENTRY 针对通话中的实时筛查问题，用整数提升小波与无乘法特征组加双轨决策做在线判断，在闭集条件下 WaveFake 与窄带电话信道 ASVspoof 上取得高准确率，但代价是仅验证了已知合成器且前端综合与跨库泛化尚未完成。

共分析 57 篇语音/AI 论文

论文用情绪稳定与情绪变化语音的对照构造 EmoShift 基准，发现句内情绪变化能让合成语音更像真人并让真实语音更像伪造，七个检测器的漏检与误报随数据集和情绪轨迹而变化，且不能只用静态情绪或拼接痕迹解释。

共分析 25 篇语音/AI 论文

MuseBench 用 361166 首曲目对照人类作曲与 10 种生成器输出，测出频谱图模型在干净条件下接近满分但在跨模型、压缩与变速下分化，并归纳出频谱、和声与演奏层面的可复现伪影线索与代价。

共分析 69 篇语音/AI 论文

论文用随输入选择压缩宽度的自适应特征融合与只扰动高频梅尔带的对抗正则来做音频真伪判别，在英中双语训练后在多个未见数据集上取得更低的等错误率，但结论只在原文的数据划分、冻结编码器和评测协议下成立，且对抗训练增加了训练开销。

论文把混合音频的取证从整段二分类扩展为语音与背景各自的存在与真假八分类，用分离引导加混合波形与伪影证据联合推理的 TruMix 在 MixedTruth 上达到宏平均 AUC 约 98.51%，代价是约 98.8M 参数的多路 Transformer 与结构化推理流程。

论文针对部署中无标签条件下无法判断检测器是否处于熟悉条件的问题，在固定检测器嵌入上用两个参考的正则马氏距离做可信与告警分流，实验显示未被拦截的伪造误接受率降到 1% 以下，但代价是自动覆盖率明显下降且真语音漂移也会触发大量告警。

论文用语音和背景声各自独立真假的混合数据，比较四种检测器对假语音与假背景声的敏感度和依赖频段，发现假背景声更好检但差距主要来自对未见过假语音的泛化失败，且前端编码器决定了证据集中在哪个频段。

共分析 146 篇语音/AI 论文

针对伪造语音加微小扰动即可骗过检测器的问题，该文用轻净化前后检测分数的变化来判断风险，只对高风险输入做强扩散净化，在三个检测器和三种攻击下取得最优综合误差，而干净输入几乎不受影响，代价是每次都要做轻探针净化且自适应攻击下存在绕门风险。

针对合成语音破坏自然频谱-时间协同变化的问题，论文用频谱节点和时间节点之间的联合协方差建图并做多项式图滤波，再与图注意力分支互补融合，在 ASVspoof 与四个跨数据集上降低等错误率，代价是只增加约 4 至 8k 的后端可训练参数和高阶滤波可能引入冗余关系。

论文揭示合法神经编解码压缩会让现有音频伪造检测大幅退化且基于编解码重合成训练的模型更脆弱，并用成对一致性微调在保持编解码生成检测的同时把压缩下的平均等错误率从 28.67% 降到 12.77%，代价是需多编解码增强训练与推理前只用单次前向。

论文针对语音伪造检测中训练攻击与未知生成器、编码器和录音条件不一致导致失准的问题，用一次源梯度同时完成虚拟适应和向高损失方向的端点偏移，只做两次梯度计算就在四个未见测试集上一致改进 MLDG，但结论只在 19LA 训练、两种 XLSR 后端和固定扰动半径下成立。