该论文针对语音说话人识别系统（SRS）在真实黑盒场景下的安全性进行了首次系统性研究。说话人识别作为生物特征认证和身份识别机制已被广泛使用，但现有对抗攻击研究大多局限于白盒设置，即攻击者对模型结构和参数有完全知识；而在实际应用中，攻击者通常只能通过查询接口获取有限的输出信息，因此黑盒攻击的可行性仍属开放问题。为此，作者提出了一种名为 FAKEBOB 的黑盒对抗攻击方法。其核心思路是将对抗样本生成建模为一个优化问题，在考虑对抗样本置信度和最大扰动之间平衡的同时，实现攻击强度与不可感知性的兼顾。关键创新在于提出了一种估计算法，用于估算说话人识别系统中使用的分数阈值（score threshold），并将该阈值引入优化目标，从而有效求解优化问题。实验表明，FAKEBOB 在开源系统和商业系统上均能达到 99% 的定向攻击成功率；在物理世界通过空中播放时同样有效。此外，作者进行的人工测试显示，人类很难区分原始语音和对抗语音的说话人。最后，论文将语音识别领域常用的四种对抗防御方法迁移到说话人识别场景，发现这些方法对 FAKEBOB 均无效，说明需要针对 SRS 设计更有效的防御手段。该研究揭示了说话人识别系统在黑盒条件下的安全脆弱性，并推动了其安全鲁棒性改进。注意：本摘要仅基于论文摘要，未涉及具体攻击实现细节。

该论文提出了一种针对语音认证系统的普遍性攻击方法，仅需受害者的单张面部照片即可成功绕过语音认证。研究动机在于当前语音认证系统虽然被广泛用于银行、智能设备等场景，但通常仅依赖声纹特征进行身份验证，忽略了语音生成过程与面部特征之间的内在关联。作者揭示了语音与面部之间存在的强相关性——人的面部结构（如口腔、声道形状）会影响其发音特征，因此从一张静态面部图像中即可推断出可用于生成或伪造目标语音的声学特征。论文核心方法包括：构建语音-面部多模态关联模型，利用深度学习从单张面部图像预测相应的语音特征（如梅尔频谱）；随后将预测特征用于语音合成或转换，生成与目标声纹高度相似的伪造语音样本。实验在多个主流语音认证系统和公开声纹数据集上进行了评估，证实了攻击的高成功率和低门槛。作者还讨论了防御方向，强调语音认证系统必须结合多模态信息验证、活体检测以及对抗性鲁棒训练。该研究适合语音安全研究者、认证系统开发者及安全评估人员阅读，对生物识别安全与多模态信息泄露问题具有重要启示。