音频精准切割原理及应用

一、前言

前面的博客对 音频切割工具ffmpeg的使用 以及 获取音频基本信息简易切割 等作出了总结，本文将对音频精准切分作出原理分析以及技术落地总结。

“音频精准切分”是个什么概念？我们当前对音频的切分需求大部分上是秒级别的切分如下1所示（使用ffmpeg的切分，不懂得可以看前面的博客），少有会到百毫秒级别的切分，但如果到毫秒级的切分呢？有人说了，像2一样不就行了，把精度设置更高一些。可是事实结果真的是这样吗？能得到想要的结果吗？当然是否定的！

各个音频切割软件，都不能直接对mp3音频文件作出百毫秒级以下的音频切分。接下来我们将分析这样情况出现的原因，和我们如何对mp3音频作出精准切分对策。

1. ffmpeg -y -i   input.mp3  -ss 0 -t 5.2  outpath.mp3
2. ffmpeg -y -i   input.mp3  -ss 0.001 -t 5.223  outpath.mp3

二、音频属性介绍——mp3，wav

当前我们最常见的音频格式是mp3音频，MP3作为一个有损压缩的音频格式，它都有哪些属性呢？如下：

1.mp3  属性：44.1KHZ, 128kb/s, 双声道

采样率——44.1KHZ，每秒钟对音频的采样频次。

通道数——双声道（立体音）左右耳听到差异的声音。

采样位数  采样样本幅度量化，衡量声音波动变化的一个

参数，也可以说是声卡的分辨率。即纵轴刻度的精确度。

——1 字节(也就是8bit) 只能记录 256 个数, 也就是只能将振幅划分成 256 个等级;

——2 字节(也就是16bit) 可以细到 65536 个数,  CD 标准

比特率（码率）——128kb/s，每秒钟占多少kb。

比特率=采样率*采样位数*通道数

如下图所示，采样率即是一秒钟对音频的采样频次（横坐标的密度），而采样位数则是对采样高度的量化即是纵坐标密度的刻画。

MP3 文件是由帧(frame)构成的，帧是MP3 文件最小的组成单位。MP3 的全称应为MPEG1 Layer-3 音频文件，MPEG(Moving Picture Experts Group)在汉语中译为活动图像专家组，特指活动影音压缩标准，MPEG 音频文件是MPEG1 标准中的声音部分，也叫MPEG 音频层，它根据压缩质量和编码复杂程度划分为三层，即 Layer-1、Layer2、Layer3，且分别对应MP1、MP2、MP3 这三种声音文件。

如何计算MP3帧的长度呢

以下为mpeg压缩格式的每帧数据的采样点，可以看出mp3格式的每帧采样点为1152个

	MPEG 1	MPEG 2	MPEG 2.5
Layer 1	384	384	384
Layer 2	1152	1152	1152
Layer 3	1152	576	576

而一个音频音频帧的播放时长计算为：

音频帧的播放时间=每帧对应的采样样本的个数/采样频率(单位为s)

因此我们可以算出，如果我们定义一个mp3的采样率为44.1khz，则一个mp3音频帧的长度为，1152 /44100 *1000 =26.122ms。

wav

wav格式的音频则是无压缩的音频格式，并没有严格规定它的基本单位，也就是音频帧的具体概念，博主当前并没有找到wav格式的音频对音频帧中数据采样点的限制，因此猜测wav的每帧对应采样样本个数可以为极低，而音频帧数很高，从而导致以下的公式，每帧长度便会很小。

三、精准切分音频解决方案

上述第二节，我们已经分说明了MP3格式以及wav格式中每帧长度计算，其中MP3格式每帧长度约为26ms，因此在对MP3音频切分时，精确度就不可能超过26ms，因为要对音频数据进行保护。所以我们如果在切分时很有可能会造成26ms左右数据块切割丢失的情况。如下图所示，在30ms和85ms之间进行的切分，就会导致两个数据块造成损失。

那么我们如何对才能更精准的对音频进行切分呢，显然减少音频帧的长度是一个很直接的办法，但是我们MP3音频已经固定死的每帧采样点、和我们音频每秒采样率，显然减少音频每帧长度这条路在MP3格式上是行不通的。

因此我们考虑到wav是非压缩格式的音频文件，可以采用将MP3转换为wav，精准切分后，再将wav转换为MP3即可。经过测试，精确度可达到1ms，显然符合了我们的初衷。

不可避免的问题：wav格式的音频长度可以为精确至毫秒级，但wav转换至mp3之后，为了补全mp3音频的帧，依旧会出现几十毫秒级的长度的误差，但对于当前应用没有影响。

四、总结

在解决音频精准切分的路子上走了几步，发现音频的切分也不是一个很容易完成的工作，通过上述方案：

MP3转wav，wav精准切分，wav转MP3这种笨方法可以完成MP3音频的精准切分，但同时也抛出了一个问题，那就是wav格式的音频到底有没有音频帧的概念？如果有，他们的音频帧中每帧采样点是多少呢？还望大家共同探讨。