隐写术（Steganography）作为一种将秘密信息隐藏于非机密载体（如图片、音频）的技术，在保密通信、数字水印和版权保护领域具有重要价值。目前“音频隐于图像”这一交叉领域的研究相对匮乏，现有方案多给予深度神经网络，存在训练成本高、可能达到性能瓶颈等问题。
印度马尼帕尔高等教育学院的研究团队在IEEE Access上发表了一项新研究，提出了一种名为 “ASA”（Audio-in-Image Steganography using Analysis and Resynthesis Sound Spectrograph）的新型音频隐写技术。该方法不依赖深度学习模型，结合声学信号处理与图像嵌入技术，通过将音频转换为高度可塑的声谱图，并将其无损嵌入高分辨率彩色图像中，实现了高效、安全且高保真的音频隐藏与重建。ASA框架的整体工作流程分为三个阶段，其核心流程如下图所示：此图为 ASA 框架的整体流程示意图。它展示了从原始音频和封面图像输入，经过“分析 → 隐写嵌入 → 再合成”三个阶段，最终生成含密图像（stego-image）并可在接收端重建音频的完整工作流。图中用深灰色表示输入文件，浅灰色表示安全参数，清晰体现了系统的模块化结构和数据流向。系统首先接收一段原始音频信号，并利用 ARSS（Analysis and Resynthesis Sound Spectrograph）工具将其转换为一张单通道灰度图像——即声谱图。与传统基于短时傅里叶变换（STFT）的方法不同，ARSS 采用滤波器组 + 包络检测 + 希尔伯特变换的模拟式分析路径，生成的声谱图在时频域上具有更强的“可塑性”，
对谱图的修改能更直观地对应音频的物理属性。ARSS 的转换过程依赖一组关键参数，包括最小/最大频率、每倍频程的频带数、每秒像素数、采样率以及亮度等。这些参数是后续能否正确重建音频的关键，也构成了系统的基础安全要素。论文通过香农熵计算指出，该参数空间的熵值高达26.86比特，意味着攻击者需进行约226.86次尝试才能猜中正确参数组合。
在获得灰度声谱图后，系统将其嵌入到一张高分辨率的彩色封面图像（通常为 PNG 格式，以支持无损存储）中。ASA 的创新之处在于：将单通道的声谱图信息分散编码至 RGB 三个颜色通道。具体采用一种简单的加法技术和线性编码函数，将处理后的声谱图数据添加到封面图像的各个颜色通道中。这种多通道嵌入方式提高了数据容量和隐蔽性。该框架设计为模块化，允许在嵌入阶段集成其他加密方法。根据封面图像的尺寸，系统还可调整声谱图。例如，当使用高度为1368像素的图像时，可容纳约两个高度为555像素的声谱图分区，从而实现单图嵌入多段音频。接收端从隐写图像的RGB三通道中逆向提取并合并出隐藏的声谱图，随后结合共享的ARSS参数，通过ARSS的再合成模块重建出音频信号。整个流程注重维持高保真度的声音重建。
在性能方面，ASA表现出色。隐写图像（Stego-image）相对于原始封面图像的平均 PSNR 为 42.54 dB，重建出的声谱图相对于原始声谱图的平均 PSNR 为 45.02 dB。与U-Net、V-Net等图像隐写方法相比，ASA在图像隐藏质量上更具优势。音频隐写过程中图像与声谱图的对比。(a) 用于嵌入的原始封面图像，(b) 包含嵌入声谱图的隐写图像，(c) 由 ARSS 生成的原始声谱图，(d) 从隐写图像中提取出的声谱图。本图展示了封面图像与隐写图像之间的视觉相似性，说明音频数据被隐藏于图像中而未产生明显失真。在存储效率方面，ASA优势显著。实验表明，嵌入声谱图后，图像文件大小平均仅比原始封面图像增加约1.292%。研究者定义了两种尺寸比率（SR1 和 SR2）来衡量效率，如下图所示，在音频时长不超过30秒时，SR1和SR2稳定在3.5–4之间，意味着实现了70%–75%的体积压缩。该图用于评估AASA方法的空间效率。其中：SR1=（音频文件大小+封面图像大小）/嵌入后图像大小；SR2=（声谱图大小+封面图像大小）/嵌入后图像大小。
图中蓝线（SR1）和红线（SR2）在 0–30 秒区间保持平稳（约 3.5–4），表明此时嵌入效率高、体积压缩显著（达 70–75%）；超过 30 秒后曲线上升，说明封面图像开始饱和，无法高效容纳更长音频的声谱图。此外，回归分析表明，嵌入导致的体积变化与原始音频和封面图像的大小无显著相关性，证明ASA的空间效率主要由其内部机制决定。
ASA框架将 ARSS 技术应用于隐写术，提供了一种简洁、非基于深度学习、且具备高存储效率的音频隐写解决方案。它通过在 RGB 三通道中嵌入可塑性强的声谱图，在保持高图像质量的同时，实现了音频的有效隐藏与重建。ASA 技术的优势在于摆脱了对深度学习模型的依赖，部署门槛低，仅通过 Python 及相关轻量库就能实现，同时兼顾了一定的安全性和存储效率。但它也存在明显的不足：音频重建质量受 ARSS 工具本身的限制，高频细节容易丢失；目前仅支持 PNG 格式载体，对 JPEG 等有损压缩图像的兼容性不佳；面对复杂的攻击手段时，现有的安全机制还需进一步强化。
论文信息：A. A. Krishnan, Y. Ramesh, U. Urs, and M. Arakeri, "Audio-in-Image Steganography Using Analysis and Resynthesis Sound Spectrograph," IEEE Access, vol. 13, pp. 75184–75192, 2025, doi: 10.1109/ACCESS.2025.3563781.
21dB声学人是中国科学院声学研究所苏州电声产业化基地旗下科技媒体，专注于声学新技术、音频测试与分析、声学市场调研、声学创业孵化、知识产权服务等。稿件投稿 ｜ 创业支持 ｜ 知产服务 ｜ 技术转化
本文内容基于该期刊论文公开信息撰写，仅供学术交流与信息分享，不为其版权负责。所有技术细节、实验数据与结论均以原论文为准。如涉及侵权、隐私等问题，请联系我们及时删除。联系微信：acoustic21dB
