本文研究了语音分类模型面临的后门攻击威胁。现有后门攻击使用的触发器容易被深度神经网络检测系统识别，针对这一不足，作者提出了音色泄漏攻击（TLA）。TLA将触发器的音色信息以帧级别嵌入到深度自监督特征中，生成在人耳听来自然的恶意样本，从而绕过防御。此外，为了高效嵌入多个后门，作者提出了Pmeta-TLA训练机制，结合元学习与投影冲突梯度（PCGrad），实现一次性多后门注入，并将TLA作为多目标攻击工具。在关键词识别任务上，使用多种深度神经网络模型进行数据投毒后门攻击实验。结果表明，与基线方法相比，Pmeta-TLA在攻击效能、隐蔽性、鲁棒性方面更优，且攻击成本更低。该工作揭示了语音分类模型在新型后门攻击下的脆弱性，为防御研究提供了重要参考。适合安全研究人员、语音AI开发者阅读。