现代零样本语音合成技术已经走到一个临界点：只需3秒参考音频，就能达到85%的声学相似度得分。当参考输入延长到约30秒时，合成模型会超过人类感知阈值，仅凭耳朵辨别的音频身份验证几乎无法区分真假。

技术流程拆解

打开网易新闻 查看精彩图片

文章详细描述了这一技术流程：先进行特征提取，再完成潜在向量映射，最后通过扩散解码器进行实时合成。整个过程不需要目标说话人提供大量训练语料，零样本条件下即可完成克隆。

更值得警惕的是人类自身的检测能力。数据显示，人类听众仅有0.1%的时间能正确识别深度伪造音频。当感知失效达到99.9%时，依赖耳朵检查无法提供任何有意义的安全保障。

单一语音验证正在失效

在此阈值下，合成音频对听众而言不可区分，基于语音的生物识别作为单一认证因素已经失效。文章因此主张废弃单模态生物识别，转向确定性的向量比较，例如在高维空间中使用欧几里得距离进行数学度量。

身份验证系统必须从单模态语音生物识别转向多模态验证架构。将语音与面部、行为、加密等其他因素结合使用，可以减轻可欺骗音频带来的失效点。高维特征空间中的数学距离度量提供了可重复、可扩展的防御手段，以抵御生成式欺骗。

带外验证成为必要防线

文章还提出，带外验证握手——如加密回调或质疑-响应协议——对于可信的身份确认至关重要。通过将验证通道与可能被破坏的媒体流隔离，这些方法可以防止攻击者重放合成音频或视频。

在充斥着合成媒体的时代，音频或视频文件应被视为未经验证的声明，而应通过可重复的数学比较而非感官检验来进行验证。强大的身份验证需要严格的特征映射，例如在高维面部特征矩阵上进行欧几里得距离分析，或深度声学向量拓扑。