该论文针对自动说话人验证（ASV）中的欺骗检测问题，提出了一种参考增强训练（RAT）策略。作者首先设计了一种基于说话者参考录音的条件反欺骗架构，但在实验中发现该架构在推理时趋向于忽略参考信号，退化为无条件检测器。进一步分析表明，训练过程中引入参考通道会诱导模型学习到一种不变性表示，从而提高深度伪造检测的鲁棒性，即使在推理时参考缺失或失配的情况下也能提升性能。基于这一观察，作者提出了RAT方法：在训练阶段始终提供参考录音（即使与实际测试时的参考不同或为零向量），从而迫使模型利用参考信息学习更泛化的特征。在ASVspoof 5基准上的实验结果显示，单个检测器使用RAT后达到了2.57%的等错误率（EER）和0.074的最小检测代价函数（minDCF），超越了包括大型集成系统在内的现有最佳结果。论文的核心贡献在于揭示了参考信号在训练中的正则化作用，并提出了一种简单有效的训练策略，无需改变推理时的输入格式即可提升反欺骗性能。适合语音安全、生物特征识别领域的研究者和工程师阅读。