本文研究端到端语音语言模型中语音令牌（speech tokens）泄露用户声纹的风险。传统级联架构（ASR-LLM-TTS）将语音转文本再合成，而端到端模型直接使用离散语音令牌表示语音，虽降低了延迟并提升了表现力，但这些令牌可能保留说话人的敏感特征。作者将此风险形式化为“说话人反转攻击”（Speaker Inversion Attack）：攻击者窃听到模型前端的语音令牌输出后，能否恢复出说话人的声纹嵌入。 为此，作者提出Audio BERT（AuB），一个可训练的模型，从离散码本构建令牌嵌入并聚合为说话人敏感表示；并进一步提出SpInv，一种两阶段反转方法：第一阶段使用AuB从语音令牌重建说话人嵌入，第二阶段将其映射到攻击者指定的说话人编码器空间（如ResNetSE34）。实验在VoxCeleb数据集上评测了Moshi、Higgs3、Kimi-Audio、Qwen3-Omni四个模型，采用说话人不重叠的协议。结果表明：仅需3秒的前端输出，SpInv在攻击者指定的说话人编码器空间中即可达到0.70以上的余弦相似度，证实语音令牌确实泄露声纹。 主要贡献：首次系统化研究语音令牌的声纹泄露风险；提出AuB和SpInv攻击方法；在多个最新模型上验证了攻击可行性。适合关注语音隐私、端到端语音模型安全的从业者和研究人员阅读。