该论文以真实世界环境为背景，系统研究了基于深度学习的语音合成攻击（即语音深度伪造）对自动说话人识别/验证系统的威胁。研究首先指出了当前语音合成技术（如端到端生成模型、神经声码器）已能生成高度逼真且带有人类自然韵律的语音，这为攻击者提供了低成本、易获取的工具。作者通过收集并构建包含多种真实说话人、不同录音设备和嘈杂环境条件的语音数据集，模拟攻击者仅使用公开可得或可自行训练的合成模型，对商业及开源说话人验证系统进行黑盒攻击。实验揭示了这些系统在真实世界条件下对合成语音的脆弱性，攻击成功率往往远超随机猜测，且部分系统在掌握少量目标说话人样本后更容易被绕过。论文还分析了影响攻击效果的因素，如合成语音的时长、内容长度、背景噪声、编解码压缩等。更进一步，作者探讨了防御措施，包括基于语音自然度检测、频谱异常检测、以及多模态验证等方法，但指出现有防御在对抗未知合成模型时仍存在局限。该研究的核心贡献在于首次在接近真实的部署环境中全面评估语音合成攻击的威胁，证明其并非实验室中的概念验证，而是需要工业界重视的实际安全问题。适合语音安全、生物识别、AI安全与隐私保护领域的研究人员、SOC分析师以及语音认证系统的开发与运维人员阅读，以便理解攻击面并设计更具鲁棒性的防护方案。