Das Feld der Steganographie hat aufgrund der jüngsten Fortschritte in künstlich-intelligenten Techniken erneut stark an Aufmerksamkeit gewonnen, insbesondere im Kontext multimodaler Systeme, die die Verbergnis von Signalen innerhalb von Signalen unterschiedlicher Natur ermöglichen. Die zentralen Ziele aller steganographischen Verfahren liegen in der Erreichung von wahrnehmbarer Transparenz, Robustheit und großer Einbettungskapazität – Aspekte, die sich oft widersprechen und mit klassischen Methoden schwer zu vereinen sind. In diesem Beitrag wird ein bestehendes tiefes Steganographieverfahren für die Einbettung von Bildern in Audio signifikant erweitert und verbessert, wobei der Fokus auf der Steigerung der Robustheit liegt. Die vorgeschlagenen Verbesserungen umfassen Anpassungen der Verlustfunktion, die Nutzung der Kurzzeit-Fourier-Transformation (STFT), die Einführung von Redundanz im Kodierprozess zur Fehlerkorrektur sowie die Pufferung zusätzlicher Informationen im Pixel-Subkonvolutionsschritt. Die Ergebnisse zeigen, dass unser Ansatz die bestehende Methode hinsichtlich Robustheit und wahrnehmbarer Transparenz übertrifft.