首先要介绍语音特殊性和语音的稳定性，（这是声纹鉴定的基本原理，各种教材上有不同风格的表述，但是说的都是一个事儿，我带学生的第一课就是让他们背下这个原理）：1、语音的特殊性，发音器官分为声门上系统、喉系统、声门下系统，每个人都有自己的一套发音器官，它们的形态、构造各有差别，每次发音需要众多发音器官相互配合、共同运动。这决定了语音的物理属性（也称语音四要素）：音质、音长、音强、音高。这些物理量人各不同，因而语音在声纹图谱上呈现不同的声纹特征，根据这些声纹特征参数，我们不但可以区分语声，而且可以认定同一人的语声。2、语音的稳定性。一个人的发音器官发育成熟后，其解剖结构和生理状态是稳定不变的，加之发音人的言语习惯等语音的社会心理属性，使得每个人在不同时段所说的相同文本内容的话，基本语音特征是稳定不变的。因此，你可以把人的声道看做管乐中的号，长号、短号虽然都是号，但由于声道的形状、长短不同，吹出来的音质也不同。 目前的声纹鉴定方法，简单讲分为两种：一是目前我国司法实践中普遍应用的"人工鉴定"——专家鉴定人依靠语音学方法，二是未来发展方向的"自动鉴定"——计算机通过算法来模拟人耳对声学特征的提取、训练、对比来实现。
变声器是通过改变输入音频的音色、音调，并将变声后的音频输出的工具（百度百科）。其实还有声音快慢，百度百科说漏了，另外声音大小就不需说了，不用变声器也能改变。那么语音四要素中的音质（就是音色）、音调（对应音高）、音强（就是声音大小）、音长（对应声音快慢）都改变了，语音的物理属性已经改变，怎么鉴定呢？
1、不要把“变声器”想得那么高深 在鉴定上，“变声器”不就是个信道吗？信道的定义是信号传输的通道，我们的鉴定名叫声纹鉴定，其实分析检验的不是真正意义上人的语音，而是人的录音——语音信号，各种录音器材都可以看成信道，各种编码方式也可以看成信道，它们都对语音信号进行了改变。举个例子：对讲机、电话，都看以看成信道，你的声音经过对讲机传输，你听感上已经失真，你已经感受到了信道对语音信号的影响。目前市面上的“变声器”，无论是硬件的还是软件的，主要是改变基频，把低沉的声音（男声）变成了尖细的声音（女声、童声）。（关于改变音色这一点，一方面，音色肯定是改变了，经过了重采样及基频的改变，反映音色的共振峰特征肯定有变化。另一方面，其共振峰的变化是整体改变的，其中的相对关系可以看做不变）当然准确的讲，只是我们听感及社会认识中的所谓男声、女声、童声、老年人声。声音不是性特征，不能区分男女，只是统计学上区分。反例就是“郑海霞”这样身材高大——声带厚长（正相关）的语音，网上搜来听听，你感觉是男是女？另外，动画片中柯南用变声器神奇的将其变成毛利小五郎，现实中做不到这么精确，达不到这么好的效果，效果这么好的即时变声器，单从理论上讲，需搜集海量的毛利小五郎的声学数据才能实现。
2、“变声器”改变了语音的物理属性，并非改变了所有鉴定意义上的声学特征 前文所述目前普遍采用的人工通过语音学鉴定方法，其主要的优点就在能区分出计算机难以认知的“高级声纹特征”，如：方言口音、习惯用语、赘语、言语缺陷、韵律特征。这怎么“高级”呢？我们熟人间分辨一个人的语音，首先就是通过这些特征；模仿秀模仿时也非常注重这类特征。但是计算机难以认识，称为“高级特征”。没错，人耳才是最精密的声纹鉴定仪器。而非专业人士所不熟悉的“低级声纹特征”，如：共振峰、基频，却是计算机最“熟悉”的，乃至音强、音长、VOT等都是计算机能认识的。
接触过一点儿说话人识别技术。说话人识别最常用的场景是作为身份验证，如果新来的用户说的话声音跟已登录用户不一样，则拒绝此用户访问。针对这种系统有许多攻击的方法，比如录音回放、语音合成、语音转换等。这些攻击的目的，都是使得输入的声音跟已登录的声音尽可能相似。针对这些攻击也有一些防御的方法——只要是合成的声音，总会留下合成软件的一些特征，而跟完全自然的声音不相似。通过检测这些特征，可以把这些攻击挡住。不过题主问的是另一方面的攻击，即通过语音转换，使得声音不像已登录的声音。针对这种攻击的防御，我还真不太了解现在的研究现状。
