在生成式 AI 技术日新月异的背景下，合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「泛化性挑战」：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，检测性 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）联合发表了最新研究成果，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，通过系统性的实证研究与策略优化，构建了兼具高性能与高泛化性的语音鉴伪大模型。 基于上述视角，论文旨在通过系统性的实证分析探索两个核心问题： 规模定律： 论文标题： A Data-Centric Approach to Generalizable Speech Deepfake Detection 论文链接： https://arxiv.org/pdf/2512.18210 核心视角： 从单一构建到多源聚合 不 ...