本文提出了一种名为 Ouroboros 的新型后门攻击框架，专门针对语音增强（Speech Enhancement）模型。语音增强模型通常作为实时语音服务的前端模块，用于降噪和语音质量提升，但以往的后门攻击研究主要集中于分类任务，且依赖主动注入触发器。然而，语音增强模型的被动处理特性使得这些传统方法难以适用。Ouroboros 的核心创新在于利用语音增强模型自身理想的干净输出作为自然触发器，从而无需在推理阶段注入任何外部信号即可激活后门。具体来说，攻击者在训练阶段将特定类型的干净语音样本与恶意行为绑定，使模型学习到当输入符合某种自然声学特征时，输出被篡改或失效。实验部分在多种模型和数据集上进行了广泛评估，结果显示 Ouroboros 能够达到接近完美的攻击成功率，同时对正常语音增强性能的影响极小。此外，作者还进行了物理世界验证，证明真实环境下自然录制且未经修改的干净音频也能可靠触发后门。该方法进一步扩展至定向内容篡改攻击，并且对常见的过滤和微调防御手段具有鲁棒性。本文首次系统地探索了语音增强模型的后门漏洞，揭示了此类前端模块可能隐藏的安全风险。适合语音处理安全研究人员、AI红队成员以及语音服务提供方的安全工程师阅读。