An Improved Phase Coding Audio Steganography Algorithm

Imagina que estás escuchando una canción, pero escondido dentro de la música hay un mensaje secreto, como un susurro que solo un decodificador especial puede oír. Este es el mundo de la esteganografía de audio, una rama de la ciencia dedicada a ocultar información dentro de archivos de sonido sin cambiar cómo suena la música a nuestros oídos. Es diferente de una marca de agua digital, que es como un estruendoso sello de "Copyright"; la esteganografía es el arte de la tinta invisible. La idea central se basa en una peculiaridad de la audición humana: nuestros cerebros son sorprendentemente malos para notar cambios diminutos en la sincronización (o fase) de las ondas sonoras, incluso si podemos oír fácilmente los cambios en el volumen o el tono. En un mundo donde la IA ahora puede clonar voces de forma tan perfecta que es difícil distinguir a una persona real de un robot, ser capaz de ocultar una "prueba de origen" dentro de un archivo de audio se ha vuelto una forma superimportante de combatir el fraude y verificar que una grabación es real.

Este artículo aborda un método clásico llamado codificación de fase, que intenta ocultar secretos desplazando ligeramente la sincronización de las ondas sonoras. El autor descubrió que la forma antigua de hacer esto era como intentar cargar una mochila pesada atándola toda a un solo hombro: era pesada, hacía que el portador tropezara (degradando la calidad del audio) y solo podía contener muy poca cosa. El investigador construyó una versión nueva y mejorada que distribuye el mensaje secreto por toda la canción, como si se distribuyera el peso uniformemente entre las correas de una mochila. También añadió una "red de seguridad" de códigos de comprobación de errores para asegurar que el mensaje sobreviva si el audio se queda un poco aplastado o distorsionado.

Aquí está la historia de su descubrimiento, contada en lenguaje sencillo.

El Problema: La mochila de "un solo hombro"

Durante mucho tiempo, la forma estándar de ocultar datos en audio usando codificación de fase funcionaba así: tomas una canción, la cortas en trozos y metes todo el mensaje secreto en solo el primer trozo. Luego, para asegurar que el resto de la canción siga sonando bien, tienes que ajustar la sincronización de cada uno de los trozos siguientes para que coincida con ese primero.

El autor señala tres grandes problemas con este enfoque de "un solo hombro":

1. Es lento: Tienes que hacer una segunda pasada por toda la canción para arreglar la sincronización del resto de los trozos.
2. Es pequeño: Solo puedes ocultar tanta información como quepa en ese primer trozo diminuto.
3. Es frágil: Si incluso un pequeño fragmento del mensaje se invierte (como un 0 convirtiéndose en un 1), todo el mensaje se arruina y el receptor no tiene forma de saber que está roto.

Peor aún, cuando probaron este método antiguo con el habla humana real, falló por completo. El mensaje secreto simplemente se desvaneció.

La Solución: Distribuir la carga

El autor propuso un arreglo ingenioso: Distribuye el mensaje. En lugar de meter todo el secreto en el primer segmento, decidió esparcir los bits del mensaje a través de cada segmento del archivo de audio.

Piensa en esto como si fuera así: Si quieres esconder una nota en una biblioteca, el método antiguo era escribir toda la nota en el primer libro del primer estante. Si ese libro se mueve o se daña, la nota se pierde. El nuevo método escribe una letra de la nota en el primer libro, la siguiente letra en el segundo libro, y así sucesivamente por todo el pasillo. Incluso si algunos libros reciben un golpe, aún puedes leer el mensaje.

Este enfoque de "segmento distribuido" significó que no necesitaron esa molesta segunda pasada para arreglar la sincronización. Cada pieza de la canción podía actualizarse de forma independiente. ¿El resultado? La cantidad de datos que podían ocultar saltó de 1,023 bits a 32,768 bits en un clip de cinco segundos. ¡Eso es un aumento de 32 veces! Además, la calidad del audio mejoró mucho. El "ruido" introducido al ocultar el mensaje cayó aproximadamente 24 decibelios, haciendo que la estego-señal (la versión del mensaje oculto) fuera casi indistinguible de la original para el oído humano.

La "Red de Seguridad": Encuadre y Corrección de Errores

Solo distribuir el mensaje no era suficiente. El autor se dio cuenta de que si el archivo de audio se comprime, se reproduce en un dispositivo diferente o simplemente recibe un poco de estática, algunos bits podrían invertirse. Si un bit se invierte, el mensaje es basura.

Para solucionar esto, añadió una Capa de Encuadre (Framing Layer). Imagina enviar una carta por correo. No lanzas simplemente el papel en el sobre; lo pones en una caja con una dirección de remitente, un código postal y un sello.

• Palabra de Sincronización (Sync Word): Un "¡Hola!" especial al principio para que el receptor sepa: "Vale, el mensaje secreto empieza aquí".
• Campo de Longitud (Length Field): Una nota que dice exactamente qué tan largo es el mensaje, para que el receptor sepa cuándo dejar de leer.
• Verificación de Suma de Control CRC (CRC Checksum): Un acertijo matemático que actúa como un sello. Si el sello se rompe, el receptor sabe que el mensaje está dañado.
• Código Hamming(7,4): Este es el verdadero héroe. Es una forma de añadir bits de "control" adicionales que permiten al receptor corregir automáticamente errores de un solo bit. Es como tener un corrector ortográfico que arregla los errores tipográficos mientras lees.

Cuando probaron esta red de seguridad, los resultados fueron dramáticos. En un canal limpio, el nuevo método recuperó el 100% de los mensajes, mientras que el método antiguo recuperó el 0% de los mensajes de voz. Incluso cuando simularon que el audio era "recortado" (aplastado por ser demasiado fuerte) o guardado nuevamente con menor calidad, la red de seguridad aumentó la recuperación del 75% al 100%.

El "Suelo Mágico": Corrigiendo el problema del habla

Uno de los descubrimientos más interesantes fue por qué el método antiguo fallaba en el habla. El autor encontró un error oculto en cómo las matemáticas manejaban los sonidos tenues.

Imagina que estás susurrando un secreto en una biblioteca. Si la biblioteca es muy silenciosa, tu susurro es claro. Pero si intentas susurrar en una habitación donde el suelo es de cristal, y el cristal es tan delgado que se agrieta bajo el peso de tu susurro, el mensaje se pierde. En el método antiguo, el "cristal" era el volumen del sonido. Para el habla, las partes silenciosas (como los espacios entre palabras) eran tan bajas en volumen que, cuando la computadora convertía el sonido de nuevo a un formato digital estándar (16 bits), los diminutos desplazos de fase usados para ocultar los datos se redondeaban y desaparecían.

El autor arregló esto añadiendo un "Suelo de Magnitud" (Magnitude Floor). Establecieron una regla: "No importa qué tan silenciosa sea una parte de la canción, fingiremos que tiene un volumen mínimo antes de ocultar los datos". Esto aseguró que el mensaje oculto fuera lo suficientemente fuerte como para sobrevivir a la conversión. Con este arreglo, la tasa de error en el habla cayó de aproximadamente un 12% a cero, todo esto costando menos de 0.05 dB de calidad de audio.

Los Límites: Lo que este método no puede hacer

El autor es muy honesto sobre dónde falla su método. No es una solución mágica que funciona contra todo.

1. Odia el ruido: Si añades mucha estática (ruido blanco) al audio, el mensaje desaparece. El secreto está oculto en una banda de frecuencias muy estrecha, y el ruido se extiende por todas partes. Si el ruido es lo suficientemente fuerte, ahoga el secreto.
2. Odia la compresión: Si guardas el archivo como MP3 o lo comprimes, el mensaje es destruido. Los reproductores MP3 están diseñados para desechar precisamente las partes de alta frecuencia donde vive este secreto porque consideran que no importan para el oído humano.
3. Es fácil de encontrar: Debido a que el secreto siempre está oculto en el mismo lugar (un conjunto específico de frecuencias), un detective con un escáner simple puede encontrarlo fácilmente. El autor admite que su método ofrece ninguna resistencia a un "detector ciego" que simplemente busque estos patrones.

Sugieren que para solucionar el problema de la detección, el trabajo futuro necesitaría usar una "llave" para desordenar aleatoriamente dónde van los bits del secreto, haciendo que sea mucho más difícil para un detective encontrarlos.

La Conclusión

Este artículo toma una forma antigua y tosca de ocultar secretos en audio y la moderniza. Al distribuir el mensaje, añadir una red de seguridad robusta de corrección de errores y arreglar un error específico que hacía que fallara con las voces humanas, crearon un sistema que es 32 veces más capaz, mucho más claro para el oído y perfectamente fiable en audio limpio.

Sin embargo, son claros en que esta es una herramienta para situaciones específicas. Funciona muy bien para verificar audio que no ha sido fuertemente comprimido o mezclado con ruido fuerte, pero no sobrevivirá al viaje a través de una aplicación de redes sociales o una transmisión de radio. Es un paso adelante poderoso en el juego del gato y el ratón de la seguridad de audio, pero el juego está lejos de terminar.