mp3: joint stereo & header frame

The joint stereo effect

不少人曾经有机会在聆听立体声的时候用上一个亚低音扬声器（实际上绝大多数质量较好的计算机扬声器都包括了两个，或者四个，辅助扬声器，以及一个独立的亚 低音扬声器）。也许你已经注意到了，主扬声器以外的辅助扬声器对产生高质量的声音是很重要的；但是亚低音扬声器就不怎么受重视——亚低音扬声器经常被塞在 桌子底下，沙发后头，甚至是和起居室的家具集成在一起了。这样做对声音质量的影响很小，因为人耳朵对于高频低频声音很不敏感。

一个立体声mp3声音文件的大小，理论上，应该是同比特率的一个单声道mp3文件的两倍。但是如果考虑到，我们可以把左右两个声道的高频部分进行一定的合 并，放到其中某一个声道的数据中，那样我们就可以让文件变得小一些。在编码的时候，很多编码器都支持的”joint stereo”就是这个意思。反正我们也听不出高频声音到底是哪个喇叭发出来的，那就没必要把这些数据分别在两个声道的数据中重复保存。

有些高级音响发烧友会说，低频声音并不是完全没有方向感的，只不过和中频高频声音相比，低频声音的方向感没有那么强。要听出这种效果，那么这个人的耳朵一 定受到过相当程度的训练，对这样一个耳朵来说，恐怕已经不会满足于mp3的音质了。当joint stereo选项被打开的时候，声音文件中会被加入一些信息，用于引导播放器在播放过程中尽量地模拟这些声音的空间效果。并且注意，joint stereo编码模式在某些情况下会带来一些声音被挤压的效果，单纯增高压缩使用的比特率并不能解决这个问题，如果你觉得这些副作用让你不满意，只有关闭 joint stereo选项之后重新压缩。


MP3文件的结构

Inside the Header Frame

前面提到过，mp3文件被分割为很多很多的“帧”，每一个帧包含的声音数据能够播放很短很短的时间，大概是一秒的几分之一。每一个数据帧前面都有一个“帧头帧”，帧头保存了32个比特的“元数据”，描述的是紧随其后的数据帧的一些信息。帧头的格式是
AAAA AAAA AAAB BCCD EEEE FFGH IIJJ KLMM，其中包含了下面13个域：
AAAA: Frame sync
B: MPEG audio version
C: MPEG Layer
D: protection bit. if on, checksum follows header
E: Bitrate index
F: Sampling rate frequency index
G: padding bit, on or off, compensates for unfilled frames
H: private bit, on or off, allows for application-specific triggers
I: Channel Mode: stereo, joint stereo, dual channel, single channel
J: Mode extension: used only with joint stereo, to conjoin channel data
K: copyright: on or off
L: original: off if copy of original, on if original.
M: Emphasis: respects emphasis bit in the original recording; now obsolete.

Mp3帧头帧开始处是一个11bit的“同步”块。Mp3播放器可以通过搜寻第一个同步块，锁定到第一个有效数据帧上，以便开始播放。在你拖动播放器的进 度滑块，向前或者向后跳跃的时候，以及播放时跳过文件头部的ID3数据等非音频数据的时候，同步块都会起作用。当然，mp3播放器不能随便拿来一个文件， 只要在其中找到一个合法的同步块就认为这个文件是一个合法的mp3文件。因为从理论上讲，同步块这11bit的模式可能出现在任何随机的二进制文件中。因 此播放器还必须检查帧头中的其它数据是否合法，和/或检测前后是否出现了多个合法的mp3帧。

    Locking onto the Data Stream
如何锁定mp3数据流

Mp3的一个设计初衷是让它适合于广播。因此任何mp3数据流的任何接受方，必须能够以一个mp3数据流中的任何一点为起点，有效地锁定到这个数据流上。 我们之所以在每个数据帧前面都需要一个帧头，很大程度上是因为这个原因。有趣的是，理论上说，这个设计使得我们可以有效地将一个mpeg文件分割为任意的 若干段，然后随便地、独立地播放其中任何一段。但是实际上，对layer III的mpeg文件（就是mp3）来说，这是做不到的，因为mp3文件中一个数据帧的数据，常常对同一文件中的其它数据帧的数据有依赖关系：还记得我们 说过，mp3编码器在某一帧的空间不够用的时候，会拆东墙补西墙吧？

紧跟在同步块之后的是一个叫做ID的bit，这个bit说明文件压缩的标准是mpeg-1还是mpeg-2。之后是两个bit的“layer”参数，决定 该帧的编码方式是layer I, layer II, layer III还是“未定义”。如果protection bit是1，声音数据前面会被塞入一个16bit的校验和，保证数据完整性。

Bitrate不用说了，之后是抽样频率，从16KHZ到44100HZ，这依赖于我们使用的是mpeg-1还是mpeg-2。Padding bit用于保证每个frame都精确地满足指定的比特率，例如一个128kbps layer II，抽样频率44.1KHZ的比特流中，有的帧可能有417字节，有的则可能有418字节。那些417字节的帧的padding bit会被设置为1，以便补偿帧长度的不同。

Mode指的是该帧是单声道还是立体声，如果使用joint stereo，紧跟在后面的mode extension会告诉解码器一些附加的细节，例如不同声道的高频分量是不是被合并了。

Copyright bit并不是用来保存版权信息的（只有一个bit，显然不够），这个bit用来模拟CD和DAT文件中一个类似的关于版权的bit的。如果这个bit是 1，那么拷贝这个音轨就是违法的。如果数据是被保存在其原始媒介上，home bit就是1。Private bit用于某些特定的应用程序中来触发一些特定的事件。Emphasis域被用作一个标志，当原始录音中一个对应的“emphasis bit”被设置的时候，mp3文件中的这个标志也被设置为1，这个标志现在已经很少被使用了。最后，解码器会在帧头部后面读到校验和（如果帧头部中的 protection bit是1），校验和之后就是真正的数据帧了。

上述过程会对一个mp3文件中成千上万的帧反复重复。如果需要知道mp3帧头的细节，以及帧头中的上述各个域中的合法取值及其意义，包括各种查找表等详细信息，请参考。如果需要马上开始做些实际工作，可以看看的内容。