复放攻击是语音控制系统面临门槛最低的威胁之一，而暴露复放行为的声学线索会随攻击所处的声学环境发生强烈变化。这意味着部署在现场的检测器必须随着时间持续吸收新的声学条件，同时理想情况下不能反复回看历史录音，因为长期保留语音数据既昂贵又受法律合规限制。作者把该问题形式化为声学环境上的领域增量学习（Domain-Incremental Learning, DIL），并提出了首个面向多通道复放语音检测的持续学习基准。实验基于 ReMASC 语料库，覆盖全部 24 种环境到达顺序并各运行 5 个随机种子，评估一个当前最优的、基于波束成形（beamformer）的检测器。结果显示：朴素顺序微调会出现严重灾难性遗忘，使先前已学环境的错误率上升 18.8 个百分点；弹性权重固化（EWC）能把遗忘量减半，但牺牲了模型可塑性；梯度投影记忆（GPM）与朴素微调在统计意义上无法区分；作者提出的任务专用波束成形器（task-specific beamformer, TSB）为每个环境保留一个独立的空间前端，在最终精度与增量精度上均有显著提升。研究还指出，序列中最后加入的环境会主导最终性能表现。代码、结果与分析已开源。