近年来，语音深度伪造技术的滥用日益严重，亟需具备强泛化能力的检测方法。然而，现有模型往往依赖特定声码器或与伪造无关的信息（如语义内容、说话人特征），导致在未知声码器和真实场景下性能显著下降。为应对这一问题，研究者提出了解耦表示学习（DRL）与元学习（Meta-learning）等策略：前者通过分离无关因素以提取通用伪造特征，后者通过模拟分布变化以提升模型适应性。

基于此，本文提出 ALDEN（Dual-Level Disentanglement with Meta-learning） 框架，融合双层解耦与元学习机制，联合学习声码器无关特征与合成相关线索，从而显著提升检测器在未知声码器及真实场景中的泛化能力（见图1）。

图1. ALDEN 通过双层解耦与元学习协同，聚焦学习声码器无关特征和合成相关特征。

ALDEN框架主要包括三个核心模块：基于对抗训练的解耦学习（ADL）模块、基于重构的解耦学习（RDL）模块、声码器无关的元学习（VAML）模块。整体框架流程如图2所示。

图2. ALDEN框架的Pipeline示意图

为了在低层语音信号中解耦出良好泛化性的伪造痕迹，ADL模块采用多任务学习策略，包含声码器无关编码器和声码器相关编码器。前者学习通用伪造特征，后者识别具体声码器类别。通过对抗训练，声码器无关编码器被迫生成域判别器无法区分的特征，从而有效剥离声码器信息。

在语音伪造检测中，语义内容和说话人身份往往削弱泛化性。为抑制这些无关因素，RDL模块通过内容编码器、说话人编码器与语音生成器的重构任务，将语义信息从声码器无关特征中分离，保留关键的合成痕迹。

最后，VAML模块采用元学习框架，将训练数据划分为元训练集与元测试集，以模拟声码器分布变化。该策略促使模型在不同声码器域间快速适应，进一步提升对未知声码器的泛化能力。

表1 跨声码器场景下ADD模型的EER (%)性能对比

从表1可以看出，ALDEN在五个跨声码器数据集上均取得优异表现，平均EER仅为6.22%，显著优于其他ADD模型，充分验证了其在跨声码器检测任务中的卓越泛化能力。

表2. ALDEN 框架各组件的EER(%)消融结果

为验证 ALDEN 框架中各模块的作用，我们进行了系列消融实验（见表2）。结果显示：单独使用 ADL（变体4）虽能带来一定改进，但整体性能仍有限；在 ADL 的基础上分别加入 RDL（变体8）或 VAML（变体10）均能进一步提升性能，证明高层语义解耦与元学习策略的有效性；当三者联合（ALDEN框架）时，平均EER降至7.06%，表明三个模块相互补充，协同提升了模型的泛化检测能力。

论文信息

该研究工作已被ACMMM 2025接收，作者为深圳大学的许裕雄、李斌（通讯作者）、李伟祥，米兰理工大学的Sara Mandelli、Viola Negroni，以及软牛科技的李盛。

Yuxiong Xu, Bin Li, Weixiang Li, Sara Mandelli, Viola Negroni, Sheng Li. ALDEN: Dual-Level Disentanglement with Meta-learning for Generalizable Audio Deepfake Detection. ACM MM 2025.