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。

该论文重新审视了假语音检测问题，提出了一种利用频谱图幅度的通用检测框架。传统的假语音检测方法通常依赖于特定的声学特征或深度学习模型，但在面对新型伪造技术时泛化能力不足。本文的核心思路是通过分析语音频谱图的幅度信息，构建一个不依赖于特定伪造方式的特征表示，从而提升检测的鲁棒性和通用性。具体而言，作者设计了一个基于频谱图幅度的特征提取模块，并联合训练一个分类器以区分真实语音与伪造语音。实验部分在多个公开数据集上验证了该框架的有效性，结果表明其相比现有基线方法具有更高的检测准确率和更好的跨域泛化能力。该工作为深度伪造语音检测提供了一种新的视角，特别适用于需要高鲁棒性的安全场景，如语音助手、身份验证和取证分析。