本文提出了一种名为 Ouroboros 的新型后门攻击框架，专门针对语音增强（Speech Enhancement）模型。语音增强模型通常作为实时语音服务的前端模块，用于降噪和语音质量提升，但以往的后门攻击研究主要集中于分类任务，且依赖主动注入触发器。然而，语音增强模型的被动处理特性使得这些传统方法难以适用。Ouroboros 的核心创新在于利用语音增强模型自身理想的干净输出作为自然触发器，从而无需在推理阶段注入任何外部信号即可激活后门。具体来说，攻击者在训练阶段将特定类型的干净语音样本与恶意行为绑定，使模型学习到当输入符合某种自然声学特征时，输出被篡改或失效。实验部分在多种模型和数据集上进行了广泛评估，结果显示 Ouroboros 能够达到接近完美的攻击成功率，同时对正常语音增强性能的影响极小。此外，作者还进行了物理世界验证，证明真实环境下自然录制且未经修改的干净音频也能可靠触发后门。该方法进一步扩展至定向内容篡改攻击，并且对常见的过滤和微调防御手段具有鲁棒性。本文首次系统地探索了语音增强模型的后门漏洞，揭示了此类前端模块可能隐藏的安全风险。适合语音处理安全研究人员、AI红队成员以及语音服务提供方的安全工程师阅读。

本文提出了一种新颖的“感知感知攻击”框架，用于生成对抗性音乐样本，在保持攻击有效性的同时，尽可能降低人耳感知到的音频质量损失。传统对抗性机器学习攻击通常只关注通过添加微小噪声扰动来欺骗音频分类器（如语音识别、说话人识别、音乐版权检测），但很少考虑扰动在人类听觉感知中的可接受性，尤其对于音乐这类精心设计以取悦听觉的信号。作者首先进行了一项人类研究：邀请受试者对原始音乐和扰动音乐进行成对比较，并对感知偏差进行评分。基于收集到的评分数据，利用回归分析逆向工程建立人类感知模型，该模型能够预测给定扰动信号会导致多大的人耳感知偏差。随后，将感知感知攻击形式化为一个优化问题：在确保攻击成功（即欺骗目标分类器）的前提下，寻找使预测感知偏差最小化的最优扰动信号。作者以YouTube版权检测器为攻击目标，验证了该框架的有效性。实验结果表明，与以往工作相比，感知感知攻击生成的对抗性音乐在感知质量上显著更优，即扰动更不易被听众察觉，同时仍然能够成功规避版权检测。本文的贡献在于：首次将人类感知研究融入对抗性音乐攻击的设计流程，提出可量化的感知模型，并展示了一种能够生成高隐蔽性对抗性音乐的优化方法。适合关注对抗机器学习、音频安全、人机交互与AI安全交叉领域的研究人员阅读。

本文针对智能音频系统面临的各种机器诱导音频攻击（包括重放攻击、合成攻击、隐藏语音命令、不可听攻击和音频对抗样本）提出了一种统一的检测方案。现有防御通常针对单一攻击类型，难以整合成通用方案。智能设备（如Amazon Echo、Apple HomePod）普遍配备麦克风阵列，但少有研究利用多声道音频进行通用防御。作者利用多声道音频的幅度和相位谱提取空间信息，通过深度学习模型捕捉人声与机器播放音频之间的根本差异。为提高在新声学环境下的泛化能力，采用了无监督域自适应训练框架。在公开的多声道重放攻击数据集和自收集的包含5种高级攻击的多声道音频数据集上进行了评估，结果显示该方法在检测各类机器诱导攻击时等错误率（EER）低至6.6%，即使在新环境中EER也仅为8.8%。该研究为智能音频系统提供了一种实用、可部署的统合防御框架。

本文揭示了一种针对大型音频-语言模型（LALMs）的新型安全威胁——听觉提示注入（auditory prompt injection）。与传统的文本提示注入不同，攻击者可以在连续的、高维度的音频信道中嵌入恶意指令，且这些指令在上下文无关和感知不可见的情况下操纵模型行为。作者提出了一个名为AudioHijack的通用攻击框架，通过采样梯度估计实现端到端优化，绕过不可微的音频分词器，并利用注意力监督和多上下文训练，使模型注意力聚焦于对抗性音频，同时保持对未见用户上下文的泛化能力。设计的卷积混合方法将扰动调制成自然的混响效果，极大提高了隐蔽性。在13个最新LALMs上的实验表明，该方法在6种恶意行为类别中平均成功率高达79%-96%，且音频保真度高。真实世界测试显示，Mistral AI和Microsoft Azure的商业语音代理可被诱导执行未经授权的操作。该工作系统性地揭示了LALMs在音频输入方面的安全漏洞，强调亟需针对性的防御措施。适合安全研究员、AI系统开发者及语音助手服务提供商阅读。