在生成式 AI 技术日新月异的背景下，成语音的逼真度已达到真假难辨的水平，随之而来的语音欺诈与信息伪造风险也愈演愈烈。作为应对手段，语音鉴伪技术已成为信息安全领域的研究重心。

然而，当前的语音鉴伪模型正面临严峻的「泛化挑战」：许多在特定实验室数据集上表现优秀的模型，在面对现实世界中从未见过的生成算法时，检测能往往会出现剧烈下滑。这种「泛化瓶颈」严重限制了鉴伪技术在复杂多变的真实场景中的应用价值。

针对这一难题，上海交通大学听觉认知与计算声学实验室和宇生月伴公司（VUI Labs）联发表了新研究成果，提出了一种以数据为中心的研究范式。该研究深入探究了训练数据分布与模型泛化能力之间的底层逻辑，通过系统的实证研究与策略优化，构建了兼具高能与高泛化的语音鉴伪大模型。

论文标题：A Data-Centric Approach to Generalizable Speech Deepfake Detection

核心视角：

从单一构建到多源聚

不同于以往关注架构创新的路径，论文从数据中心视角切入，将数据版图重构为两个核心视角：

构建单一数据集： 基于不同信源（source）和生成器（generator）生成伪造样本，构建数据集。

聚多源数据集： 汇聚具有不同信源、生成算法及其他声学条件的异构数据池，构建多样化训练数据。

基于上述视角，论文旨在通过系统的实证分析探索两个核心问题：

在单一数据集构建中，如何在数据规模和多样（信源 / 生成器）之间进行资源的科学分配？

在聚多源数据集时，如何设计高的混与采样策略以实现优泛化能？

规模定律：

多样远胜数据总量

为了揭示资源分配的优原则，论文针对训练数据的组成规律开展了大规模实证分析。通过量化信源多样、生成器多样与样本容量之间的复杂关系，揭示了语音鉴伪领域内在的「规模定律」。

核心发现：

多样是泛化的要动力： 在资源有限的情况下，提升信源与生成器的多样所带来的能增益，远比单纯增加数据总量更具率。

信源与生成器属互补： 信源多样有助于模型构建稳健的真实语音分布，而生成器多样则显著强化了模型对各类伪造特征的识别。

泛化表现具备可预测： 泛化误差随数据多样的增加呈现出稳定的幂律缩放特，使泛化能力的提升从随机探索走向科学建模。

采样策略：

科学混异构数据池

既然多样的价值远胜于纯粹的数据堆叠，那么如何科学地混来自不同源头的异构数据，就成为了解决泛化难题的二个关键问题。基于规模定律的分析，论文提出了多样优化采样策略（Diversity-Optimized Sampling Strategy，DOSS）。该策略的核心在于将复杂的异构数据按照信源或生成器划分为细粒度的域，并相对公平地对待每一种已知的生成模式：

细粒度域定义： 将真实语音按「信源」划分，将伪造语音按「信源 + 生成器」的组进行索引，从而在更微观的层面实施分布控制。

多样筛选（DOSS-Select）： 一种基于数据剪枝策略，旨在构建更平衡且高的训练子集，剔除边际收益递减的冗余样本以提升训练率。

分布加权（DOSS-Weight）： 一种数据重加权策略，在保留全量数据的同时，调整各数据域在训练时的采样概率，让模型更均衡地学习不同规模域的特征，避免被海量但单一的数据分布所主导。

实验结果验证了该策略在处理大规模异构数据时的优势：

高的数据率： 采用 DOSS-Select 策略，仅需使用约 3% 的总数据量，其泛化能即可超越朴素聚全部数据的基线水平。

显著的能提升： 采用 DOSS-Weight 策略，实现了相对朴素聚基线约 30% 的大幅度误差削减。

实战评估：

学术基准和商业接口实测

为了验证上述策略的稳健与可扩展，论文构建了一个包含 1.2 万小时音频、涵盖 300+ 个伪造领域的大规模异构数据池。通过应用 DOSS 策略进行训练，终得到了高能高泛化的大模型，并在多个学术基准和商业接口上进行了实测，均取得了突破表现：

色彩持久：成树脂瓦表面材料是选用进口的超高耐侯工程树脂制作而成。在自然环境中具有超常的耐久，它即使长期暴露于紫外线、湿气、热、寒的恶劣条件下,仍能保持其颜色的稳定。 卓越的承载力：成树脂瓦具有良好的承载能力。在温度较低的地区，即使屋顶常年积雪，成树脂瓦不会产生表面损坏及断裂现象。经测试，在支撑距离660mm的情况下，加载150kg，瓦不会产生裂痕和损坏。 隔音果好：经实验证明：在遭受暴雨﹑大风等外界噪音影响时，铝皮保温树脂瓦具有很好的吸收噪音功。 抗冲击，耐低温能好：成树脂瓦具有较强外承受能力。经实验1公斤钢球从3m高自由落下不会产生裂纹，低温下抗冲击能也十分显著。 优异的耐腐蚀：树脂瓦可以长期抵御酸、碱、盐等各种化学物质腐蚀。实验证明:在盐、碱及60%以下各种酸中浸泡24小时无化学反应。非常适于酸雨多发地区和沿海地区使用，果特别显著。 保温隔热能优异：成树脂瓦的导热系数为0.325w/m.k，大约是粘土瓦的的1/310，水泥瓦的1/5，0.5mm厚彩钢瓦的1/200。因此，在不考虑加保温层的情况下，成树脂瓦的隔热保温能仍能达到。 自清洁能优：成树脂瓦表面致密光滑，具有“荷叶应”，本身不易吸附灰尘，一经雨水冲刷便洁净如新，瓦表面污垢被雨水冲刷后不会出现斑斑驳驳色现象。 体积稳定：成树脂瓦的膨胀系数为4.9×10-5mm/mm/℃,同时瓦型在几何形状上具有双向拉伸能，即使温度变化较大，瓦的伸缩也能被自身，从而确保几何尺寸稳定。 卓越的防水能：成树脂瓦所选用的高耐侯树脂本身致密且不吸水，不存在微孔渗水的问题。产品宽度比传统瓦宽45％，屋面接缝少，因此成树脂瓦比传统瓦的防水能大大提高。 优异的缘能：成树脂瓦是缘产品，遇到意外放电也会完好无损。 耐火强：成树脂瓦属难燃材料。 安装快捷：成树脂瓦有宽度960mm，铺装率高;重量轻，容易装卸;安装配件齐全。设计请参照《平屋面改坡屋面建筑构造》03j203标准图集。 绿色环保：成树脂瓦不含石棉及放射元素，并可回收利用，完全符绿色环保要求。

2、优异的抗yong久变形能； 

学术基准：刷新跨域能记录

在多个公开测试集的评估中，模型平均等错误率（EER）降至 1.65%，在多个主流基准测试中均刷新了记录，确立了新的技术基准和 SOTA。此外，数据与模型率的表现尤为出色：相较于之前好的来自日本 NII 的系统——在 7.4 万小时数据上训练的 2B 规模模型（平均 EER 3.94%），提出的新方案仅凭约 1/6 的训练数据与更精简的参数规模，便实现了检测误差的倍数级削减。即便是在更轻量的 300M 版本下，其能表现依然稳健，证明了科学的数据策略比单纯的规模堆叠更能有释放模型的泛化潜力。

商业接口：直面现实安全威胁

针对从 Google、Microsoft 等主流云服务到 ElevenLabs、MiniMax 等前沿高拟真引擎的 9 类新商业接口进行评估，模型平均检测准确率达到了 96.01%。即便在面对目前具挑战的高保真成引擎 Qwen3 时，模型仍能保持 87.32% 的高准度识别。这进一步印证了从多样化训练数据中学习到的表征，能够有迁移并泛化至现实中不断进化的商业生成方式。

总结

不同于以往在模型架构与算法优化上的迭代，深挖训练数据组成的底层逻辑正在成为重塑语音安全防线的关键。本论文通过量化多样的规模应并引入优化采样机制，成功实现了对异构数据资源的高调度与深度挖掘。这种向「数据中心」范式的深刻转变，为构建高能、高泛化的语音安全大模型提供了全新的探索思路。

团队介绍

研究团队来自于上海交通大学计算机学院听觉认知与计算声学实验室（SJTU Auditory Cognition and Computational Acoustics Lab，AudioCC Lab）和宇生月伴公司（VUI Labs），该团队由语音对话和听觉处理领域知名学者，教育部长江学者钱彦旻教授领导，注于完整的听觉人工智能与计算声学领域的前沿研究。

实验室集结了一支由青年教师、博士生、硕士生、本科生及职科研人员等组成的近 40 人科研团队，在语音、音频、音乐及自然声信号处理等领域积累了丰富的技术经验。实验室依托国家重点项目及企业作支持，拥有数百块先进 GPU 计算资源，致力于解决产业级技术难题。

近年来，团队在国际顶级期刊和会议上发表了数百项学术成果，并在多项国际评测中斩获冠军。团队成员全面发展，毕业生均进入国内外顶级企业和研究机构，持续动人工智能技术的创新与应用。