En este documento se proponen criptosistemas multicapa para cifrar comunicaciones de audio. Estos criptosistemas combinan señales de audio con otras señales de ocultamiento activas, como señales de voz, fusionando continuamente la señal de audio con una señal de voz sin períodos de silencio. El objetivo de estos criptosistemas es evitar que partes no autorizadas escuchen comunicaciones de audio cifradas. Se realiza un preprocesamiento tanto en la señal de voz como en la señal de audio antes de combinarlas, ya que es necesario para preparar las señales para la fusión. En lugar de métodos de codificación y decodificación, los criptosistemas se basan en los valores de las muestras de audio, lo que permite ahorrar tiempo mientras aumenta su resistencia a los piratas informáticos y a entornos con un fondo ruidoso. La característica principal del enfoque propuesto es considerar tres niveles de cifrado, a saber, fusión, sustitución y permutación, donde se consideran varias combinaciones. Los criptosistemas resultantes se comparan con las técnicas de cifrado basadas en mapas logísticos unidimensionales y otros métodos de vanguardia. El rendimiento de los criptosistemas sugeridos se evalúa mediante el uso del histograma, el índice de similitud estructural, la relación señal-ruido (SNR), la relación de verosimilitud, la distorsión espectral y el coeficiente de correlación en pruebas simuladas. Se presenta un análisis comparativo en relación con el cifrado de mapas logísticos. Esta investigación demuestra que aumentar el nivel de cifrado resulta en una mayor seguridad. Es evidente que el método de cifrado basado en sal y el criptosistema DCT/DST multicapa ofrecen mejores niveles de seguridad, ya que alcanzan los valores de SNR más bajos, -25 dB y -2.5 dB, respectivamente. En cuanto a las métricas de evaluación utilizadas, el criptosistema multicapa propuesto logró los mejores resultados en la transformada discreta del coseno y la transformada discreta del seno, demostrando un rendimiento muy prometedor.