该论文提出了一种针对语音认证系统的普遍性攻击方法，仅需受害者的单张面部照片即可成功绕过语音认证。研究动机在于当前语音认证系统虽然被广泛用于银行、智能设备等场景，但通常仅依赖声纹特征进行身份验证，忽略了语音生成过程与面部特征之间的内在关联。作者揭示了语音与面部之间存在的强相关性——人的面部结构（如口腔、声道形状）会影响其发音特征，因此从一张静态面部图像中即可推断出可用于生成或伪造目标语音的声学特征。论文核心方法包括：构建语音-面部多模态关联模型，利用深度学习从单张面部图像预测相应的语音特征（如梅尔频谱）；随后将预测特征用于语音合成或转换，生成与目标声纹高度相似的伪造语音样本。实验在多个主流语音认证系统和公开声纹数据集上进行了评估，证实了攻击的高成功率和低门槛。作者还讨论了防御方向，强调语音认证系统必须结合多模态信息验证、活体检测以及对抗性鲁棒训练。该研究适合语音安全研究者、认证系统开发者及安全评估人员阅读，对生物识别安全与多模态信息泄露问题具有重要启示。