本文探讨了在极低采样率（5Hz）下，利用智能手机内置加速度计窃听语音的可能性。背景是：为防止恶意应用通过运动传感器窃听，Android 12 已将零权限访问的运动传感器最大采样率限制为 200Hz。但已有攻击证明 200Hz 仍不安全，因此厂商可能进一步降低采样率，直至极低水平（例如 5Hz）。传统窃听方法依赖频谱特征，在采样率低于 50Hz 时已无法达到可接受的精度。按照奈奎斯特定律，人类语音最低基频约 85Hz，5Hz 的采样率理论上无法捕获语音。然而，作者发现加速度计数据中的节奏特征（包括暂停节奏和强度节奏）在不同采样率下相对稳定。基于这一观察，他们提出了一种在 5Hz 极端低采样率下利用加速度计进行窃听的方法。该方法不依赖频谱信息，而是通过提取语音的节奏模式来推断说话内容。实验部分（摘要中未详述，但预期表明）在多种实际场景下验证了方法的有效性。该研究揭示了即使采样率降至极低，加速度计仍可能构成隐私泄露风险。

本文提出 LEAKFORGE，一个设备无关的框架，将跨设备加速度计窃听问题转化为物理引导的数据生成问题。作者指出，设备相关的泄漏并非任意，其主导变化局限于音频到加速度计传递函数的一个受限族。LEAKFORGE 通过采样该传递函数族，从普通语音合成大规模、设备多样的加速度计轨迹，并显式建模机电传递、结构共振、滤波和混叠效应。仅在该合成域上训练的窃听模型可以直接应用于来自未见过的智能手机的轨迹。该工作的核心贡献在于，利用物理知识指导合成数据生成，从而摆脱了对真实设备采集数据的依赖，提升了跨设备泛化能力。适合对传感器侧信道、移动设备安全、物理层信息泄漏以及基于合成数据的模型迁移感兴趣的读者阅读。