ステガノグラフィー分野は、近年のAIを活用した技術の進展により、特に異なる性質の信号内に信号を隠蔽できるマルチモーダルな設定の文脈において、注目が集まっている。すべてのステガノグラフィー手法の主な目的は、知覚的透明性、耐性（ロバスト性）、および大容量の埋め込みを達成することであるが、これらの目標はしばしば矛盾しており、従来の手法ではその調和を図るのが困難であった。本稿では、既存の「画像を音声中に埋め込む」深層ステガノグラフィー手法を拡張・強化し、その耐性の向上に焦点を当てる。提案する改善策には、損失関数の修正、短時間フーリエ変換（STFT）の活用、エラー補正を目的とした符号化プロセスにおける冗長性の導入、およびピクセルのサブコンボリューション演算における追加情報のバッファリングが含まれる。実験結果から、本手法が既存手法と比較して耐性および知覚的透明性の面で優れていることが明らかになった。