该论文聚焦于持续学习场景下的假语音检测问题。随着语音生成模型不断演进，假语音检测器需要持续更新以识别新类型的伪造语音。然而，传统的微调或增量学习方法会导致灾难性遗忘，即模型在适应新数据时显著丧失对旧数据的检测能力。作者提出一种基于域翻译器的遗忘鲁棒方案，核心思想是在已冻结的预训练检测器前嵌入一个回溯翻译器网络。该翻译器将新样本的特征空间映射回原始训练数据所对应的特征空间，使得冻结的检测器无需重新训练即可有效处理新数据。实验采用多个假语音数据集（如ASVspoof系列）进行持续学习评估，结果表明，与完全重训练相比，该方法在保持对新旧数据高检测精度的同时，大幅降低了计算开销和存储需求。该工作为部署长期有效的假语音检测系统提供了新思路。