本文介绍“Go-To-Germany”团队参与ImageCLEF 2026音频深度伪造检测与生成任务的方案与结果。研究背景：深度伪造音频对身份认证、司法证据和金融安全构成现实威胁，而现有检测器对未知或对抗性生成样本的泛化能力尚待验证。该团队提出一种基于四骨干自监督学习（SSL）集成的检测系统，融合WavLM-Large、Wav2Vec2-XLS-R-300M、ECAPA-TDNN和x-vector四种预训练语音表征，通过集成投票机制进行深度伪造判别。在官方检测评测中，系统取得0.9522的总分，对参与者生成的深度伪造样本达到100%识别率，但对主办方保留的真实录音仅有0.8875准确率，暴露11.25%的假阳性差距。在生成子任务中，团队提交了一个经均匀混响处理、故意作为反取证探针的F5-TTS v1基线，最终以词错误率4.99%、字符错误率2.07%、最终得分0.4304的成绩排名第一；其背后还有包含GLM-TTS、F5-TTS、XTTS v2、CosyVoice3的四模型生成程序，用于系统研究不同生成器的可检测性。跨轨道对比揭示显著的生成-检测不对称性：检测端能识别全部参与者生成的深度伪造，但该团队在生成端提交的探针模型却成功逃避了61.4%的参与者检测器和56.2%的主办方检测器，说明当前检测体系在面对刻意反取证设计的Audio Deepfake时仍存在明显短板。为验证多骨干SSL集成的设计动机，作者完成了基于伪造检验的消融实验，包括LOSO 56说话人交叉验证、三区域骨干几何分析、bootstrap置信区间和PCA分析，结果支持“架构保险”假说：不同SSL骨干间决策模式互补，集成后对未知生成流的鲁棒性更强。论文还提供五个跨轨道见解和五个预注册的伪造实验，将生成侧逃避策略与检测侧设计决策关联起来。文章最后将11.25%的真音假阳性差距列为部署时最关键的开放挑战。适合音频取证、深度伪造检测、自监督学习和生成式模型安全方向的研究者及蓝队人员阅读。