音频深度伪造检测

针对自监督预训练偏重语音内容而忽视局部伪造痕迹的问题，该文提出混帧扰动加帧级监督的中间后训练阶段，在 ASVspoof5 上以无增强单模型取得 4.50% 等错误率，并在 ASVspoof2021 上把 LA 与 DF 差距压缩到 0.16 个百分点，代价是需要额外调拼接比例与 LoRA 位置。

论文以跨生成器与黑盒低资源两条赛道检验环境声真假判别，第一名在两赛道均把等错误率压到 0.3% 左右，代价是依赖大规模自监督表征、针对性增广与多系统集成。

该文在固定 BigVGAN 的 F5-TTS 管线中用配对重合成把检测分离归因到声学梅尔生成，再用不含检测器的对抗微调抬高固定检测器的等错误率，并用只见过微调输出的检测器适应把两类输出重新检出，代价是遗留基准性能随适应语料不同而回落。

论文用时间对齐自监督表示上的积分梯度定位判决证据，再经 100 条样本人工标注与掩蔽反证，显示 AASIST 看非语音环境、CA-MHFA 看局部音素、SLS 看词边界与频谱完整性，而重压缩是三者共同的失效条件。

针对静态 RawBoost 在环境声上破坏高频纹理且采样与决策边界无关的问题，DAR-Boost 用可微噪声层加形状与强度解耦加自适应路由做对抗增强，在 EnvSDD 上把 ATA 降到 0.90% 而代价是引入梯度反转与多样性权重的联合调参。

论文用统一纯 Python 工具 DeepFense 复现已有系统并做 96 系统交叉评测，报告显示自监督前端主导性能方差而 CodecFake 训练泛化最好，但高平均性能伴随质量性别语言上的公平性代价。

针对 MLAAD 开放集溯源中 SSL 域内强但域外过自信的问题，论文用冻结 XLSR-53 加 66 维 CORES 双分支与输入条件门控联合能量间隔训练，在 Eval 上报告 97.6% 域内准确率、4.9% EERc 和 10.4% FPR95，代价是需 Dev 域外样本做辅助监督且门控需冻结预热与熵正则维持。

针对隐式身份泄漏导致的跨说话人泛化失败，论文用样本级余弦正交加批量级交叉协方差的双粒度几何约束配合课程式加权做说话人伪影分离，在 ASVspoof 2019 LA、2021 DF 和 In-the-Wild 上报告 1.35%、7.88% 和 21.58% 等错误率，代价是对解耦强度与训练节奏更敏感且最难攻击仍有残留误差。

针对在 ASVspoof 2019 LA 上训练后跨库性能大幅下降的问题，该文在 SSL-AASIST 上增加通用分支与攻击特异分支并用余弦正交损失解耦，最强证据是加 RawBoost 后在 21DF 上等错误率从 6.64% 降到 3.67%，代价是在 19LA 上从 0.22% 微升到 0.32%。

针对动态说话视频中唇同步线索不可靠的问题，该工作用说话人距离与语音能量的物理一致性做检测，在动态子集上取得 0.7449 的 ROC-AUC 并与唇同步模型集成带来增益，代价是依赖深度估计与声音分离质量且近距离麦克风等场景下关系会被削弱。

针对富有表现力和情感的语音伪造泛化难的问题，ProSDD 先在真实语音上学习说话人条件韵律表示、再把该目标保留为辅助任务联合训练伪造分类，在保持标准基准竞争力的同时大幅降低情感集等错误率，代价是需要构造外部韵律目标并执行两遍前向训练。

针对自监督音频伪造检测模型过大难以端侧部署的问题，论文用跨域知识蒸馏补监督、用移动分数引导结构化剪枝保关键结构，在 90% 稀疏下做到 31.9M 参数与 6.3× FLOPs 下降而多数据集平均性能只降 1.30%，代价是蒸馏仍受教师在无标注域外数据上误差的上限约束。

论文提出合成心音检测任务 SHAC 并构建 CARDIOFAKE 基准，用 MFCC 与 WavLM 的 Gram 最优传输融合 GROOT 在可见编解码器上达到 93.20% 准确率与 5.86% 等错误率，但跨编解码器泛化仍下降约 7 个百分点且推理开销未报告。

针对语音伪造检测泛化差且缺可解释推理的问题，该文用 4 万条人类标注的伪造线索做思维链监督，在 SALMONN 上做二分类与推理联合微调，最强证据是 Test-1-HL 上 EER 从 15.7% 降到 13.2%，代价是推理质量提升小且对高保真未见合成器仍吃力。

针对未知语音伪造泛化难的问题，该研究用包含扩散重建在内的重建样本构造难样本，并结合多层特征聚合与正则化辅助对比学习提升泛化，最强证据是五集平均等错误率从基线 15.789% 降到 8.247%，代价是在个别集上出现小幅回退且依赖重建与增强配置。

针对全频带黑盒检测难定位伪造痕迹的问题，BandMIL 用 8 频带注意力做可解释谱分析、用 WavLM 做全局时序建模并以门控融合与多实例学习聚合，在 ASVspoof 2019 LA 上报告 1.28% EER 和 0.0331 min t-DCF，但融合在 A10 等三类攻击上弱于单分支且未验证跨数据集泛化。

论文在冻结编码器加固定轻量后端的配方下，用约 315M 容量的 wav2vec2 家族对照 1 到 1406 种语言覆盖，并用相同 Libri-Light-60k 数据对照掩码预测与对比目标，发现域外误差在 128 语言处触底而 1406 语言不再提升，且掩码预测明显更稳，代价是结论限定于单训练语料与固定流程且覆盖与数据量无法彻底解耦。

针对音画伪造在未见篡改与跨语言下易失效的问题，Referee 用一次真实参考做生物特征锚点，经身份瓶颈压缩与跨身份匹配再联合音画时序做真伪判定，在 FakeAVCeleb 训练下跨库与跨语言取得最强 AUC 与 AP，但仍依赖同身份真实参考且对参考质量敏感。

VietPrism 用 993.4 小时真人语音与说话人配对的伪造语音研究方言和越英混说下的检测脆弱性，最强证据是零样本检测器随说话人相似度升高而 EER 明显恶化，代价是小方言样本少且合成系统只有四种。

针对直接压平小波散射系数会丢失父子路径关系的问题，WST-Graph 用固定的小波散射变换重建稀疏调制-载波网格再接入图后端，在 ASVspoof2019 LA 上以约 120k 可训练参数达到 2.92% 等错误率，并在 DFADD 等跨域集上显示出局部优势，但并非所有跨域集都一致占优。