Едно предложение... - по-скоро хрумване...
защо не използвате за носеща самият сигнал, ухото е по-слабо чувствително към амплитудните промени от колкото към фазовите, какво имам предвид:
кодер : следи звуковата картина на няколко честоти например : 300Hz, 1000Hz, 5000Hz, 10000Hz , ако се налага да кодира 1 вдига амплитудата на тези честоти със deltaA за време X, ако се налага да кодира 0 вдига ампл. на тези честоти със deltaA за време Y, когато се появят тези честоти в зв. картина разбира се.
декодер : слуша звуковата картина и следи за амплитудните изменения на тези честоти и времето за изменението и следи за съответствието на X и Y,
честотите трябва да се подберат така че някоя от тях да присъства във всяка звукова картина .
В този метод има опастност да не можеш да кодираш пауза м/у песните , но пък предимството е че каквото ида го правиш сигнала де , все ще запазиш съотношенията на ампл. и техните нараствания.

Просто още една идея... помислете

Темата малко позамря, но на мен все пак ми се ще да попитам:
Правил ли е някой някакви опити да маскира в звуковата картина DTMF кодове и после да ги декодира?

Ами аз съм опитвал нещо подобно, но разликата се забелязва....На мене идеята ми беше по-скоро криптиране на звука чрез ключ, и после разкриптирането му в декодер...Ключа беше 8-битов, само че имах ограниченията на телефоната линия (300Hz-3KHz) + всичките и пръщенета...