该论文提出了一种针对自动语音识别（ASR）和说话人识别（SV）系统的高效且可迁移的黑盒对抗攻击方法。作者指出，现有攻击往往需要大量查询或依赖白盒访问，实用性有限。他们提出了一种基于梯度估计的查询高效攻击，使用自然进化策略（NES）来近似模型梯度，并结合时间域和频域扰动约束，以生成人耳不易察觉但能有效欺骗模型的对抗样本。通过实验，他们在多个主流ASR系统（如DeepSpeech、Kaldi）和SV系统（如GE2E、SpeakerNet）上验证了攻击的有效性，显示出极高的攻击成功率（>90%）和跨模型迁移性，即在一个模型上生成的样本能成功攻击其他模型。此外，攻击仅需少量查询（约1000次）即可收敛，显著优于此前方法。核心贡献包括：1）首个同时针对ASR和SV的高效黑盒攻击框架；2）展示了攻击的跨平台可迁移性；3）扰动约束设计确保音频质量损失小。这项研究揭示了语音接口在安全部署中面临的实际威胁，提醒开发者需考虑对抗鲁棒性。