[论文解读] Hide and Speak: Deep Neural Networks for Speech Steganography

Felix Kreuk, Yossi Adi+3 more|arXiv (Cornell University)|Feb 7, 2019

Advanced Steganography and Watermarking Techniques参考文献 28被引用 15

一句话总结

本文提出了一种基于深度学习的语音隐写方法，利用可微分的短时傅里叶变换（STFT）和逆STFT层，将秘密消息嵌入音频载体中，同时保持感知质量。该方法实现了高质量的消息恢复和多消息嵌入，人类听者无法察觉修改，且解码后的消息保持高度可理解。

ABSTRACT

Steganography is the science of hiding a secret message within an ordinary public message, which is referred to as Carrier. Traditionally, digital signal processing techniques, such as least significant bit encoding, were used for hiding messages. In this paper, we explore the use of deep neural networks as steganographic functions for speech data. We showed that steganography models proposed for vision are less suitable for speech, and propose a new model that includes the short-time Fourier transform and inverse-short-time Fourier transform as differentiable layers within the network, thus imposing a vital constraint on the network outputs. We empirically demonstrated the effectiveness of the proposed method comparing to deep learning based on several speech datasets and analyzed the results quantitatively and qualitatively. Moreover, we showed that the proposed approach could be applied to conceal multiple messages in a single carrier using multiple decoders or a single conditional decoder. Lastly, we evaluated our model under different channel distortions. Qualitative experiments suggest that modifications to the carrier are unnoticeable by human listeners and that the decoded messages are highly intelligible.

研究动机与目标

• 开发一种面向语音信号的基于深度神经网络的隐写系统，解决视觉启发模型的局限性。
• 通过在可微分STFT和iSTFT层中施加信号约束，确保隐写修改在声学上不可察觉。
• 通过使用多个解码器或单个条件解码器，实现在单个音频载体中嵌入多条秘密消息。
• 评估所提方法在真实通信环境中常见信道畸变下的鲁棒性。

提出的方法

• 在深度神经网络中集成短时傅里叶变换（STFT）和逆STFT（iSTFT）作为可微分层，以强制保证信号一致性，并确保输出为有效音频波形。
• 采用端到端可训练的自编码器类架构，其中编码器将秘密消息嵌入音频载体的STFT域中。
• 通过iSTFT实现可微分的重建过程，将修改后的STFT转换回时域，从而支持通过整个隐写流程的反向传播。
• 使用条件解码器或多解码器提取嵌入的消息，实现在单个音频载体中实现多消息隐写。
• 通过结合重建损失和消息重建损失进行模型训练，以平衡音频保真度与秘密消息的准确性。
• 在多个公开语音数据集上应用数据增强和归一化技术，以提升泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 深度神经网络能否在保持感知透明性的同时，有效将秘密消息嵌入语音信号？
• RQ2 与视觉启发的隐写模型相比，所提出的基于可微分STFT的架构在音频质量和消息保真度方面表现如何？
• RQ3 通过使用多个解码器或单个条件解码器，该模型在单个音频载体中可嵌入多少条消息？
• RQ4 该隐写系统在各种信道畸变（如噪声、压缩和滤波）下的鲁棒性如何？

主要发现

• 所提方法实现了高感知质量，定性听音测试中人类听者无法察觉音频载体的修改。
• 解码后的消息高度可理解，表明在多个数据集上均表现出优异的秘密消息恢复性能。
• 使用可微分STFT和iSTFT层显著约束了网络输出为有效音频波形，提升了信号保真度并减少了伪影。
• 该模型成功支持多消息嵌入，证明了通过多个解码器或条件解码器在单个载体中嵌入多条秘密消息的可行性。
• 系统对各种信道畸变表现出鲁棒性，在添加噪声和压缩等条件下仍能保持消息完整性。
• 定量分析证实，与基线深度学习隐写模型相比，该方法在音频保真度和消息恢复准确率方面均表现更优。