Растущий интерес к системам автоматической верификации диктора по голосу привел к значительному улучшению качества атак на них с целью взлома. Многие исследования подтверждают, что, несмотря на низкие значения уровня равновероятной ошибки (EER) такие системы уязвимы к спуфинг атакам. В работе рассмотрены различные пространства акустических признаков и классификаторы с целью выявить наиболее надежные методы детектирования спуфинг атак. Произведено сравнение нескольких систем противодействия атакам, представленных на первом международном конкурсе "Automatic Speaker Verification Spoofing and Countermeasures (ASVspoof) Challenge 2015" Результаты экспериментов, представленные в работе, подтверждают, что объединение амплитудной и фазовой информации дает значительный вклад в эффективность системы детектирования спуфинг атак. Также впечатляющие результаты показали признаки, основанные на вейвлет-преобразованиях. Результаты сравнения различных классификаторов показали превосходство линейного SVM классификатора над обычным GMM подходом. Однако большое количество систем использовали подходы, основанные на глубоких нейронных сетях, и получили достаточно низкие значения равновероятностной ошибки для неизвестных типов атак.