随着合成语音生成技术的迅速发展，音频深伪检测已成为多媒体取证中的一项关键挑战。尽管近期一些方法在检测准确性上取得了显著成果，但它们通常依赖于黑箱架构，导致可解释性差且计算复杂度高。
本文提出了一种基于维纳-霍普线性预测的可解释音频深伪检测框架，结合轻量级的二维卷积神经网络（CNN）。该设计使分类结果与信号的声学特性之间建立了直接透明的联系。
实验结果表明，该方法在基准数据集上的检测性能具有竞争力，同时相比于最先进的解决方案，计算复杂度显著降低。
通过Grad-CAM进行的可解释性分析显示，分类器关注于低阶预测系数以及静音和过渡区域，这表明维纳-霍普预测器能够捕捉混响特征和合成语音中的细微统计不一致性。
最后，稳健性实验表明，微调能够有效恢复在常见后处理降质（如添加噪声、MP3压缩和电话滤波）下的检测性能。
博主点评： 本文所提出的框架在可解释性与高效性之间找到了良好的平衡，尤其是在音频深伪检测领域，具有重要的应用价值。维纳-霍普线性预测的使用为检测提供了新的视角，值得在更广泛的语音合成场景中进行探索。