该论文是一篇来自工业界与学术界合作的经验报告，基于与商业说话人识别厂商 Phonexia 为期三年的合作，深入探讨了深度伪造语音检测（deepfake speech detection）从研究走向实际部署时面临的“最后一公里”障碍。尽管当前许多公开基准在域内评估中报告了低于 1% 的错误率，但在遇到未见过的攻击方式、信道失配以及数据分布漂移时，模型性能会显著下降。论文没有提出新的检测模型，而是系统性梳理了三个关键壁垒：第一，许多公开基准数据集不包含商业用途许可，导致工业界无法合法使用这些数据训练或评估模型；第二，真实世界的输入并非四秒的干净片段，而是经过编解码器降质、长度较长、有时甚至只有部分语音是合成的录音，这与研究环境中的理想条件差异巨大；第三，即便系统经过校准并输出如 2.5 这样的对数似然比分数，客户和非专家用户也无法理解该分数对其实际决策意味着什么，缺乏可解释性和可操作性。基于这些发现，作者提出了具体的研究与协作建议：建立可在商业环境中使用的数据集共享标准、设计更贴近真实部署场景的基准测试，以及开发能让非专家直接采取行动的评分表达方式。论文强调这些观察来自单一项目，其普遍性仍需在其他环境中进一步验证。该研究对于从事语音取证、内容审核、身份验证等工作的安全工程师和研究人员具有重要参考价值。

本文针对深度伪造语音检测器的可解释性不足问题，提出了一种基于积分梯度（Integrated Gradients）和时间对齐自监督表示（如WavLM）的音频原生可解释性流水线。该方法能够定位检测器在时间维度上的决策证据，并语义化解释最重要的声学线索。作者将方法应用于三种基于WavLM的检测器（AASIST、CA-MHFA、SLS），并在ASVspoof 5数据集上进行分析。通过人工标注最高归因区域，发现各检测器依赖不同的线索：AASIST强调非语音/环境线索，CA-MHFA关注局部音素伪影，SLS依赖词边界和频谱完整性。进一步通过因果掩码验证，去除主要线索后检测性能显著下降，证实了归因分析的有效性。该研究为理解深度伪造语音检测器的内部机制提供了可解释性工具，有助于改进检测器的鲁棒性和可信度。