音频造假取证只带一份权重：VeriSpoof 的 EER 压到 1.79%

深度伪造语音的取证工具，现状是一堆「一题一模型」：测真伪一个、溯源一个、比录音条件再一个，解释还常是蒸馏来的自由文本，没人验证过决策是否真的依赖它。墨尔本大学的 VeriSpoof（arXiv 2611.04634）把所有取证问题统一成一件事：答案评分。候选答案写成完整句子，取正负答案的对数似然之差当分数，不需要任何专用输出头。

架构省得克制：冻结的 Qwen3-ASR 编码器加 DoRA 适配、音频 tokenizer（16 个话语 token 加 52 个 0.16 秒帧 token）、MiniCPM5-2B 加 LoRA，共 2.85B 参数，实际只训练 29.7M，约百分之一。三阶段训练走感知对齐、取证问题微调、有据理由微调，最后一阶段混入两成反事实样本，逼决策真正跟随所陈述的定位。理由按固定字段书写，每条陈述都有独立于模型的校验器兜底：波形测量、增强日志、标注跨度、生成器元数据。

覆盖面是它敢叫「一站式」的底气：真伪检测、来源归属（生成器、声学模型、vocoder 分开答）、录音条件（噪声、混响、编解码器、后处理）、部分伪造定位、成对同源验证，连「属性相同但系统不同」的 REVERSAL 难例都收了。成绩按论文口径：Speech-DF-Arena 十四个测试集上，Plus 版平均 EER 1.79%、池化 2.14%，是最佳开源权重系统（次优开源为 5.66% 与 9.52%）；在更新的 SpoofRadar 榜上池化 EER 4.04%，低于已发布榜单所有开源系统。最刺眼的一组对照是通用音频 LLM 的零样本成绩：真假判断只有 52.1% 到 64.7%，同源与录音条件问题接近随机。

部署账也算得亲民：Base 版约 14 个 GPU 小时（单张 48GB 卡），推理只要 6 到 7 GiB 显存，8GB 卡就能跑。两个模型、vLLM 推理代码、在线 demo 加 VeriSpoof-Bench（54 个子集、17.7 万项）全部放出。对做语音产品风控的团队，这套「统一评分加有据理由」的框架，比再训一个二分类器值得研究得多。