DSVAE：用于合成语音检测的解耦表征学习

基于摘要分析。本文研究合成语音检测及其可解释性，提出 Disentangled Spectrogram Variational Auto Encoder（DSVAE），通过两阶段训练的变分自编码器处理语音频谱图，学习区分合成语音与真实语音的解耦特征。研究对象是语音真伪检测，并非 EEG 解码或 BCI。 核心机制是利用解耦表征学习生成检测特征，并通过特征可视化解释模型的判别依据。摘要未说明两个训练阶段的具体目标、解耦约束、监督方式及检测决策过程，因此尚不能判断这些特征是否分离了合成痕迹、说话人身份或其他声学因素；可视化对解释性的支持范围也需结合正文核对。 作者报告，在 ASVspoof2019 数据集上，对涉及 6 个已知和 10 个未知语音合成器的合成语音检测，Accuracy 超过 98%。摘要未给出已知与未知合成器的分项结果、数据划分及阈值设置，不能将该数字解释为每类合成器均达到这一水平。作者还报告，相较若干已有方法，DSVAE 表现良好，并可用于社交平台上传语音检测及移除静音片段等简单攻击场景；具体基线、处理条件及对应指标尚未验证。 平台推测（待验证）：若 EEG 任务中的目标信息与被试或采集条件等干扰因素能够分离，频谱表征上的解耦学习可能提供方法参考，但语音真伪因素与 EEG 生理因素并不等价。可复用的候选部分是频谱输入和两阶段表征学习思路，需改造输入表示、解耦目标及监督设计；低信噪比、通道差异和小样本可能导致模型学习被试特征或丢失任务信息。取得完整方法后，可在固定 Cross-subject 划分下，对照相同容量、不含解耦机制的模型，检验任务性能及表征中的被试可辨识性。该假设尚无本材料中的 EEG 实验证据，已有 EEG 相关工作尚未检索确认。实验协议、消融及统计信息尚未验证。