MP3文件结构及编解码流程

AGENDA
     ＊ MP3简介
     ＊ MP3文件结构
        ——Tag_v2(ID3v2)标签帧
        ——数据帧
        ——Tag_v1(ID3v1)标签帧
     ＊MP3编解码流程
     ＊MP3文件的播放流程

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。根据帧的性质不同，文件主要分为三个部分，TAG_V2(ID3V2)标签帧，数据帧和TAG_V1(ID3V1) 标签帧。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。

     三.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）。
  MP3的技术亮点－－MDCT （修正的离散余弦变换）：
修正的离散余弦变换（MDCT）是指将一组时域数据转换成频域数据，以得知时域变化情况。MDCT是对DCT算法的改进。早期的快速算法是快速付立叶变换（FFT），但FFT有复数运算，MDCT都是实数运算，便于编程。
在 压缩音频数据时，先将原始声音数据分成固定的分块，然后做顺向MDCT（Forward MDCT）将每块的值转换为512个MDCT系数，解压时，经反向MDCT（Inverse MDCT）将512个系数还原成原始声音数据，前后的原始声音数据是不一致的，因为在压缩过程中，去掉了冗余和不相关数据。FMDCT变换公式为：
k=0，1，…，N/2-1
式中N是转换视窗长度，即每块样本点数，N=8，16，…，1024，2048。
n0=（N/2+1）/2，X(n)为时域值，X(k)为频域值。若N取1024点，则转换成512个频域值。
IMDCT变换公式为：
      n=0，1，…，N-1
MDCT本身并不进行数据压缩，它只是把信号映射到另一个域，量化才使数据得到压缩。在对量化后的变换样值进行比特分配时要考虑使整个量化块最小，这就成为有损压缩了。

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。

    总结一下，最简化的MP3的工作原理我们可以概括如下：首先将MP3歌曲文件从内存中取出并读取存储器上的信号→到解码芯片对信号进行解码→通过数模转换器将解出来的数字信号转换成模拟信号→再把转换后的模拟音频放大→低通滤波后到耳机输出口，输出后就是我们所听到的音乐了。