مؤخراً، أصبحت أنظمة التعرف على عواطف الصوت (SER) تعتمد بشكل متزايد على تمثيلات صوتية ذاتية الإشراف، غير أن ضعفها أمام الهجمات أثناء مرحلة التدريب لا يزال غير مستكشف بعمق. في هذه الدراسة، تم تقديم أول دراسة منهجية حول هجمات الحيل الخلفية المعتمدة على التسمم والتي تستند إلى الصوت المنتج بواسطة محولات النص إلى كلام (TTS).

تتضمن النتائج المقدمة في هذا البحث تقنيات جديدة تتمثل في إدخال محفز صوتي خفي ومنخفض الطاقة يمكن دمجه بصمت في كلاً من الكلام الطبيعي والمُصطنع، مما يتيح تنفيذ سمّ ناجح وقابل للتوسع.

تجاربنا أظهرت أن نماذج SER يمكن أن تُخترق بشكل موثوق مع معدلات نجاح عالية للهجوم تحت نسب تسمم منخفضة، بينما تُحافظ على أداء قريب من النقاء مع المدخلات العادية. كما أبرزنا أن أنماط الحيل الخلفية تُظهر انتقالاً قوياً بين النماذج، وأن التمثيلات الذاتية الإشراف تعتبر أكثر عرضة لتعلم هذه المحفزات.

توضح هذه النتائج أن تكنولوجيا تحويل النص إلى كلام تُخفض بشكل كبير من عائق تنفيذ هجمات الخلفية الفعالة، مما يكشف عن ثغرات حرجة في خطوط أنابيب SER الحديثة ويدعو إلى ضرورة تطوير دفاعات مخصصة لمواجهة هذه التهديدات المتزايدة.