语音合成技术的快速发展使深度伪造音频达到高度逼真的水平，对语音身份验证和数字取证构成日益严峻的威胁。早期研究曾报道人类对深度伪造语音的检测准确率可达70%-80%，但这些研究主要基于较老的合成器，难以反映当前生成语音的真实攻击能力。本研究针对这一差距，选取了分别于2019年（RTVC）、2022年（YourTTS）和2024年（ElevenLabs）发布的三种代表性语音合成工具，邀请82名IT专业人员参与听辨实验，同时使用六个预训练的深度伪造检测器对相同材料进行基准测试，以系统评估人类和自动检测器对现代合成语音的识别能力。实验涵盖完全合成语音（全文伪造）和部分伪造（仅篡改语句中的某一个句子）两种场景。结果显示：对于完全合成语音，人类检测的F1分数从RTVC和YourTTS的约90%急剧下降到ElevenLabs的48%，且参与者事先已被明确警告音频中可能存在深度伪造；对于部分伪造，严格判断的准确率仅为9%，听众有77%的概率将合成句子误判为真实语音。研究进一步发现，人类与自动检测器的错误模式互补，两者均无法可靠定位短篡改片段。此外，听众在识别合成语音时，越来越多地将真实语音误标记为伪造，导致对未操纵音频的信任度不断下降。这些发现表明，人类感知对于现代合成器和部分伪造条件已不可靠，必须依靠程序化验证、来源证明、水印技术和片段级检测等多层次防御手段来应对。该研究为语音伪造检测领域提供了新的实证数据，对设计和评估鲁棒的音频取证系统具有重要参考价值。

该论文针对音频深度伪造检测这一日益严峻的安全问题，首次开展了大规模的人类识别能力评估研究。随着语音合成与声音克隆技术的快速发展，深度伪造音频已被用于电信诈骗、虚假信息传播等恶意场景，传统自动检测模型虽然取得一定进展，但人类作为最终决策者的听觉判断能力却缺乏系统性验证。研究团队设计了涵盖多种伪造方式、说话人、语言、音频时长和真实度差异的测试集，招募大量参与者进行听辨实验，比较了不同背景人群（如普通用户、技术从业者、专家等）的识别准确率、响应时间和置信度。实验结果表明，人类对高质量音频深度伪造的识别率并不理想，尤其在短音频和跨语言场景下错误率显著上升；同时，参与者的自信程度与真实表现之间存在明显偏差。论文进一步分析了人类检测与自动检测性能的互补性，指出单纯依赖人类或机器均存在局限，并提出了将人类感知特征融入自动检测系统的潜在方向。该研究为音频取证、内容审核和反欺诈领域提供了重要的实证数据和设计参考，对于评估现有防御体系的有效性以及制定人机协同检测策略具有直接价值。适合数字取证专家、反欺诈安全工程师以及语音认证系统设计者阅读。