该论文提出了一种自监督的声学窃听攻击方法，能够仅从键盘敲击声重建出用户输入的文本内容，而无需针对目标设备收集标注数据。传统声学侧信道攻击通常需要大量的标注数据或特定的设备校准，这限制了其实际威胁性。本文方法通过结合无监督声学聚类、基于Transformer的语言模型推理以及迭代自训练，有效解决了声学-字符映射高度不确定性问题。实验在多种真实场景下验证：包括将智能手机放置在目标键盘附近（近距录音）、同一桌面约3米距离录音、使用接触式麦克风隔墙窃听，以及视频会议中的背景键盘噪声。结果显示，在近距设置下仅需观测100-150次击键即可达到超过99%的重建准确率；在更具挑战性的场景中（如3米录音、隔墙），观测150-250次击键仍可取得高于90%的准确率。该方法完全基于音频信号，无需任何视觉信息或设备特定标注数据，显著优于以往的无监督基线方法。研究揭示了键盘敲击声带来的隐私泄露风险比以往认知的更为现实和严重。