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。