本文揭示了一种针对大型音频-语言模型（LALMs）的新型安全威胁——听觉提示注入（auditory prompt injection）。与传统的文本提示注入不同，攻击者可以在连续的、高维度的音频信道中嵌入恶意指令，且这些指令在上下文无关和感知不可见的情况下操纵模型行为。作者提出了一个名为AudioHijack的通用攻击框架，通过采样梯度估计实现端到端优化，绕过不可微的音频分词器，并利用注意力监督和多上下文训练，使模型注意力聚焦于对抗性音频，同时保持对未见用户上下文的泛化能力。设计的卷积混合方法将扰动调制成自然的混响效果，极大提高了隐蔽性。在13个最新LALMs上的实验表明，该方法在6种恶意行为类别中平均成功率高达79%-96%，且音频保真度高。真实世界测试显示，Mistral AI和Microsoft Azure的商业语音代理可被诱导执行未经授权的操作。该工作系统性地揭示了LALMs在音频输入方面的安全漏洞，强调亟需针对性的防御措施。适合安全研究员、AI系统开发者及语音助手服务提供商阅读。