MP3文件格式及编解码流程

一、MP3简介：

MP3全称MPEG 1 audio layer 3，其中MPEG（Moving Picture Experts Group）标准包括视频和音频

标准，其中音频标准已制定出 MPEG-1、MPEG-2、MPEG-2 AAC和MPEG-4。

MPEG-1和MPEG-2标准使用同一个音频编码解码族—— Layer1、Layer 2、Layer3。 它根据压缩质量

和编码复杂程度进行划分的，分别对应MP1、MP2、MP3 这三种声音文件，并根据不同的用途，使用不同层

次的编码。MPEG 音频编码的层次越高，编码器越复杂，压缩率也越高

MPEG-2一个新特点是采用低采样率扩展降低数据流量，另一特点是多通道扩展，将主声道增加为5个。

MPEG Audio Layer 1、Layer2、Layer3三个层使用相同的滤波器组、位流结构和头信息，采样频率为

32KHz、44.1KHz、48KHz。

Layer 1是为数字压缩磁带DCC（Digital Compact Cassette）设计的，数据流384kbps；压缩率4：1；

Layer 2在复杂性和性能间作了权衡，数据流量下降到256kbps-192kbps；压缩率6：1－8：1；

Layer 3一开始就为低数据流量而设计，数据流量在128kbps-112kbps，压缩率高达10：1－12：1；

Layer 3增加了MDCT变换，使其频率分辨能力是Layer 2的18倍，Layer 3还使用了与MPEG Video

类似的平均信息量编码（Entropy Coding），减少了冗余信息。MP3绝大部分使用的是MPEG-1标准。

MP3的音频质量取决于它的Bitrate和Sampling frequency，以及编码器质量。MP3的典型速度介于

每秒128到320kb之间（此处有问题）。采样频率也有32，44.1，48 kHz三种频率，比较常见的是采用CD

采样频率——44.1kHz。常用的编码器是LAME，它完全遵循LGPL的MP3编码器，有着良好的速度和音质。

MP3 对音频信号采用的是有损压缩方式，为了降低声音失真度，MP3采取了“感官编码技术”，即它

丢掉脉冲编码调制（PCM）音频数据中对人类听觉不重要得数据，从而达到了较高的压缩比，即编码时先对

音频文件进行频谱分析，然后用过滤器滤掉噪音电平，接着通过量化的方式将剩下的每一位打散排列，最后

形成具有较高压缩比的MP3 文件，并使压缩后的文件在回放时能够达到比较接近原音源的声音效果。

二．整个MP3 文件结构：

MP3文件是由帧（frame）构成，帧是MP3文件的最小组成单位。每帧都包含帧头，并可以计算帧的长度。

并非每个MP3文件都有ID3v2，但是数据帧和ID3v1帧是必须的。ID3v2在文件头，以字符串“ID3”为标志，包含了演唱者，作曲，专辑等信息，长度不固定，扩展了ID3V1的信息量。ID3v1在文件结尾，以字符串“TAG”为标记，其长度是固定的128个字节，包含了演唱者、歌名、专辑、年份等信息。

1. ID3V2 标签
ID3V2到现在一共有四个版本，但流行的播放软件一般只支持第三版，既ID3V2.3。每个ID3V2.3 的标签
都有一个标签头和若干个标签帧或一个扩展标签头组成。关于曲目的信息如标题、作者等都存放在不同的
标签帧中，扩展标签头并不是必要的，但每个标签至少要有一个标签帧。标签头和标签帧一起顺序存放在
MP3 文件的首部。

标签头

长度为10个字节，位于文件首部，其数据结构如下：

char Header[3]; /* 字符串 “ID3” */

char Ver; /* 版本号ID3V2.3 就记录3 */

char Revision; /* 副版本号此版本记录为0 */

char Flag; /* 存放标志的字节，这个版本只定义了三位，很少用到，可以忽略 */

char Size[4]; /* 标签大小，除了标签头的10 个字节的标签帧的大小 */标签大小为四个字节，但每个字节只用低7位，最高位不使用，恒为0，其格式如下：

0xxxxxxx 0xxxxxxx 0xxxxxxx 0xxxxxxx

——标签帧
每个标签帧都有一个10字节的帧头和至少一个字节的不固定长度的内容组成。它们是顺序存放在文件中，由各自特定的标签帧头来标记帧的开始。其帧的结构如下：

char FrameID[4]; /用四个字符标识一个帧，说明其内容 /

char Size[4]; /* 帧内容的大小，不包括帧头，不得小于1 */

char Flags[2]; /* 存放标志，只定义了6 位，此处不再说明 */

常用帧标识：

TIT2：标题

TPE1：作者

TALB：专辑

TRCK： 音轨，格式：N/M，N表示专辑中第几首，M为专辑中歌曲总数

TYER：年份

TCON：类型

COMM：备注，格式：“eng/0备注内容”，其中eng表示所使用的语言

帧大小为四个字节所表示的整数大小。

2.数据帧

数据帧往往有多个，至于有多少，由文件大小和帧大小来决定。每个帧 都有一个帧头HEADER，长度是4BYTE（32bit）,帧头后面可能有两个字节的CRC 校验，这两个字节的是否存在决定于HEADER 信息的第16bit， 为0 则帧头后面无校验，为1 则有校验,校验值长度为2 个字节，紧跟在HEADER 后面，接着就是帧的实体数据 ，也就是MAIN_DATA了，格式如下：

HEADER

CRC（free）

MAIN_DATA

4 BYTE

0 OR 2 BYTE

－－－－帧头HEADER的详细结构为：



－－－－－MAIN_DATA：

MAIN_DATA 部分长度是否变化决定于HEADER 的bitrate是否变化，一首MP3 歌曲，它有三个版本：96Kbps（96 千比特位每秒）、128Kbps 和192Kbps。Kbps （比特位速率）， 表明了音乐每秒的数据量，Kbps 值越高，音质越好，文件也越大，MP3标准规定，不变的bitrate 的MP3 文件称作CBR，大多数MP3 文件都是CBR 的，而变化的bitrate 的MP3 文件称作VBR， 每个 的长度都可能是变化的。

———— C,LAME标签帧

当你真的打开一个MP3文件的时候，你会发现第一帧并不是真正的数据帧，而是LAME编码的标志帧。

这里牵涉到两个概念：CBR和VBR。它还存放了MP3文件里帧的总个数，和100个字节的播放总时间分段的帧的INDEX，还有其他一些参数;

1）CBR：表示比特率不变，也就是每帧的长度是一致的，它以字符串“INFO”为标记。只要知道文件总长度

和帧长,即可由播放每帧需26ms 计算得出mp3 播放的总时间，也可通过计数帧的个数控制快进、快退

慢放等操作。

2）VBR：VBR是 Variable BitRate的简称，也就是每帧的比特率和帧的长度是变化的，是XING 公司推出的

算法，所以在MP3 的 里会有“XING”这个关键字（现在很多流行的小软件也可以进行VBR 压缩，它们

是否遵守这个约定，那就不得而知了），它存放在MP3 文件中的第一个有效帧里，它标识了这个MP3

文件是VBR 的。同时第一个 里存放了MP3 文件的 帧的总个数，这就很容易获得了播放总时间，同时

还有100 个字节存放了播放总时间的100 个时间分段的帧的INDEX，假设4 分钟的MP3 歌曲，

240S， 分成100 段，每两个相邻INDEX 的时间差就是2.4S， 所以通过这个INDEX，只要前后处理少

数的，就能快速找出我们需要快进的 头。除了INDEX,还有其他的一些参数，这被称为Zone A，传统

Xing VBR标签数据，共120个字节。 在二进制文本编辑器里我们还可看到一个字符串“LAME”，并且

后面清楚地跟着版本号。这就是20个字节的Zone B初始LAME信息，表示该文件是用LAME编码技术。

接下来一直到该帧结束就是Zone C－LAME标签。

长度由帧头计算得出 ：

1）每帧的播放时间：无论帧长是多少，每帧的播放时间都是26ms；

2）数据帧大小:

Size = (((MpegVersion == MPEG1 ? 144 : 72) * Bitrate) / SamplingRate) + PaddingBit

例如: Bitrate ＝ 128000, a SamplingRate ＝44100, and PaddingBit ＝ 1

Size = (144 * 128000) / 44100 + 1 = 417 bytes

3.ID3V1

其数据结构如下：

char Header[3]; /* 标签头必须是”TAG”否则认为没有标签 */

char Title[30]; /* 标题 */

char Artist[30]; /* 作者 */

char Album[30]; /* 专集 */

char Year[4]; /* 出品年代 */

char Comment[28]; /* 备注 */

char reserve; /* 保留 */

char track; /* 音轨 */

char Genre; /* 类型 */

其实，关于最后31个字节还存在另外一个版本，就是30个字节的Comment和一个字节的Genre.

有了上述的这些信息，我们就可以自己写代码，从MP3文件中抓取信息以及修改文件名了。但是，如果真的想写一个播放软件，还是需要读它的数据帧，并进行解码。

3 MP3编码与解码流程

MP3音频压缩包含编码和解码两个部分。编码是将WAV文件中的数据转换成高压缩率的位流形式，解码是接受位流
并将其重建到WAV文件中。MP3 采用了感知音频编码（Perceptual Audio Coding）这一失真算法。人耳感受
声音的频率范围是20Hz-20kHz，MP3截掉了大量的冗余信号和无关的信号，编码器通过混合滤波器组将原始声 音
变换到频率域，利用心理声学模型，估算刚好能被察觉到的噪声水平，再经过量化，转换成Huffman编码，形成
MP3位流。解码器要简单得多，它的任务 是从编码后的谱线成分中，经过反量化和逆变换，提取出声音信号。

MP3的解码总体上可分为9个过程：比特流分析，霍夫曼编码，逆量化处理，立体声处理，频谱重排列，抗锯齿处理，IMDCT变换，子带合成，PCM输出。

简要描述一下MP3的压缩流程：声音是一个模拟信号，对声音进行采样，量化，编码将得到PCM数据。PCM又称为脉冲调制数据，是计算机可以播放的最原始数据，也是mp3压缩的源，为了达到更大的数据压缩率，MPEG表针采用了子带编码技将PCM数据分成32个子带，每个子带都是独立编码的，然后将数据变换到频域下分析，MPEG采用的是改进的离散余弦变换，也可以使用傅里叶变换，再下来为了重建立体声进行了频域按特定规则的排列，随后立体声处理，处理后的数据按照协议定义进行量化。为了达到更大的压缩，再进行霍夫曼编码。最后将一些系数与主信息融合形成MP3文件。

解码是编码的反过程大概如下：

所谓比特流分解是指将mp3文件以二进制方式打开，然后根据其压缩格式的定义，依次从这个mp3文件中取出头信息，边信息，比例因子信息等。这些信息都是后面的解码过程中需要的。霍夫曼编码是一种无损压缩编码，属于熵编码[平均信息量编码（Entropy Coding）]。Mp3的解码可以通过公式实时进行数据的解码，但往往采用的是通过查表法实现解码（节省了CPU时间资源）。

四、MP3文件的播放流程

一个完整MP3播放机要分几个部分：中央处理器、解码器、存储设备、主机通讯端口、音频DAC和功放、显示界面
和控制键。其中中央处理器和解码器是整个系统的核心。这里的中央处理器我们通常称为MCU（单片微处理器），
简称单片机。它运行MP3的整个控制程序，也称为fireware（或者固件程序）。控制MP3的各个部件的工作：从
存储设备读取数据送到解码器解码；与主机连接时完成与主机的数据交换；接收控制按键的操作，显示系统运行
状态等任务。解码器是芯片中的一个硬件模块，或者说是硬件解码（有的MP3播放机是软件解码，由高速中央处理
器完成）。它可以直接完成各种格式MP3数据流的解码操作，并输出PCM或I2S格式的数字音频信号。

存储设备是MP3播放机的重要部分，通常的MP3随身听都是采用半导体存储器（FLASH MEMORY）或者硬盘
（HDD）作为储存设备的。它通过接受储存主机通讯端口传来的数据（通常以文件形式），回放的时候MCU读取存
储器中的数据并送到解码器。数据的存储是要有一定格式的，众所周知，PC管理磁盘数据是以文件形式，MP3也
不例外，最常用的办法就是直接利用PC的文件系统来管理存储器，微软操作系统采用的是FAT文件系统，这也是
最广泛使用的一种。播放机其中一个任务就是要实现FAT文件系统，即可以从FAT文件系统的磁盘中按文件名访问
并读出其中的数据。

主机通讯端口是MP3播放机与PC机交换数据的途径，PC通过该端口操作MP3播放机存储设备中的数据，拷贝、删
除、复制文件等操作。目前最广泛使用的是USB总线，并且遵循微软定义的大容量移动存储协议规范，将MP3播
放机作为主机的一个移动存储设备。这里需要遵循几个规范：USB通信协议、大容量移动存储器规范和SCSI协
议。

音频DAC是将数字音频信号转换成模拟音频信号，以推动耳机、功放等模拟音响设备。这里要介绍一下数字音频信
号。数字音频信号是相对模拟音频信号来说的。我们知道声音的本质是波，人说能听到的声音的频率在20Hz到
20kHz之间，称为声波。模拟信号对波的表示是连续的函数特性，基本的原理是不同频率和振幅的波叠加在一
起。数字音频信号是对模拟信号的一种量化，典型方法是对时间坐标按相等的时间间隔做采样，对振幅做量化。
单位时间内的采样次数称为采样频率。这样一段声波就可以被数字化后变成一串数值，每个数值对应相应抽样点
的振幅值，按顺序将这些数字排列起来就是数字音频信号了。这是ADC（模拟-数字转换）过程，DAC（数字-模拟
转换）过程相反，将连续的数字按采样时候的频率顺序转换成对应的电压。MP3解码器解码后的信息属于数字音频
信号（数字音频信号有不同的格式，最常用的是PCM和I2S两种），需要通过DAC转换器变成模拟信号才能推动功
放，被人耳所识别。

MP3播放机的显示设备通常采用LCD或者OLED等来显示系统的工作状态。控制键盘通常是按钮开关。键盘和显示设备合起来构成了MP3播放机的人机交互界面。

MP3播放机的软件结构跟硬件是相对应的，即每一个硬件部分都有相应的软件代码，这是因为大多数的硬件部分都是数字可编程控制的。