模型与评测：把「够用且诚实」变成可验证的数字
本系统的定位是可信的鉴伪应用与分级体系，而不是新算法。 鉴伪模型采用可解释的声学特征启发式方案，并与话术识别、法律映射、电子存证组合成完整链路； 所有指标均来自离线评测，页面同时给出衰减曲线与能力边界。
heuristic-acoustic-v1.0
不依赖预训练大模型，用 7 项可解释声学特征映射合成概率，单条录音 CPU 秒级完成。
| 特征 | 含义 | 自然人声参考 | 权重 |
|---|---|---|---|
| 基频稳定性 | 音高抖动与音高变化系数，合成语音往往过于平滑 | 抖动 1%–5%，变化系数 0.10–0.25 | 24% |
| 能量起伏自然度 | 说话过程的能量动态范围，TTS 常被响度归一化 | 通常大于 5 dB | 16% |
| 静音段底噪 | 停顿处的环境噪声水平，合成音频常为数字静音 | -40 ~ -60 dB 底噪 | 16% |
| 频谱变化平滑度 | 频谱通量变异系数，声码器输出较机械 | 变异系数通常 > 0.6 | 12% |
| 谐波周期性 | 自相关周期峰值，部分声码器谐波异常规整 | 通常低于 0.85 | 12% |
| 发声与停顿规律性 | 浊音占比与停顿变异，合成语音停顿位置规律 | 停顿变异系数 > 0.6 | 10% |
| 频谱平坦度 | 浊音帧频谱平坦度，过度纯净是常见线索 | 0.02–0.15 | 10% |
同源 96.2%，低码率加噪 63.8%
从训练分布内到未见商业克隆、电话信道、低码率加噪，检出率逐级下降，这是本系统最需要被看见的一张图。
检出率随引擎与信道变化（离线评测）
逐项工作点
EER 与 AUC 只在同源分布内具有解释力；跨引擎场景以检出率与人工复核成本为准。
| 测试条件 | 说明 | 检出率 | EER | 结论 |
|---|---|---|---|---|
| 同源合成 | 训练分布内 TTS-A | 96.2% | 4.1% | 可直接提示 |
| 跨引擎 B | 未见过的 TTS-B | 88.4% | 9.8% | 可直接提示 |
| 商业克隆 C | 少样本声音克隆 | 79.1% | 15.6% | 需人工复核 |
| 电话信道 | 8kHz 压缩 + 丢包 | 71.6% | 21.4% | 需人工复核 |
| 低码率加噪 | 16kbps + 环境噪声 | 63.8% | 28.9% | 降级为参考 |
我们怎么得到这些数字
数据构成
自建中文评测集 2,400 条，4 类主流 TTS/声音克隆引擎 × 3 种信道（原始 / 电话 8k 压缩 / 加噪低码率）。全部样本均为授权采集或公开数据集合成，不含真实受害人录音。
对照基线
人工听辨准确率 61.4%（120 条盲测）。这说明「凭耳朵听」并不可靠，也解释了为什么需要可解释的分级提示。
决策口径
跨引擎检出率低于 70% 时，鉴伪立即降级为「特征提示与可疑度参考」，不再宣称鉴定结论，重心转向法律闭环。
三条不绕开的约束
不是自研鉴伪算法
本系统的定位是「可信的鉴伪应用与分级体系」，而不是新算法。我们把声学特征检测、话术语义识别、法律条款映射与电子存证组织成一条可复核的处置链路，鉴伪模型本身采用公开方法与可替换的集成方案。
跨库泛化会明显衰减
公开数据集训练出来的模型，遇到没见过的商业克隆语音，检出率会明显下滑。我们不隐藏这条衰减曲线：跨引擎、电话信道、低码率加噪三种条件下，检出率从 96.2% 依次下降到 63.8%。系统在结果页始终显示置信度与判断依据。
不做实时通话拦截
「实时通话预警」在 iOS 上不存在合规实现路径，安卓也需要长期占用录音权限。本系统的口径统一为「通话结束后秒级分析」，不宣称实时拦截，也不替代公安机关的预警劝阻。
在结果页看到完整的判断依据
每一项声学特征、命中的话术关键词、对应法条与建议动作，都可以在分析结果中逐条展开。