MP3文件格式解析

凡尘殊客

已于 2024-06-22 21:18:34 修改

阅读量1.6k

点赞数 1

CC 4.0 BY-SA版权

文章标签： ffmpeg

于 2024-06-22 21:14:48 首次发布

原文链接：https://www.shanyemangfu.com/mp3.html

MP3概述

MP3全称为MPEG Audio Layer 3，是一种高效的计算机音频编码方案，能以较大的压缩比将音频文件转换成较小的扩展名为.mp3的文件，基本保持源文件的音质，MP3是ISO/MPEG标准的一部分，ISO/MPEG标准描述了使用高性能感知编码方案的音频压缩，此标准一直在不断更新以满足“质高量小”的追求，现已形成MPEG Layer1、Layer2、Layer3三种音频编解码方案，分别对应MP1、MP2、MP3这三种声音文件。

MPEG(Moving Picture Expert Group)是ISO下的一个动态图像专家组，它指定的MPEG标准广泛的应用于各种多媒体中，MPEG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 ACC、MPEG-4。

MP3格式始于80年代中期，德国Erlangen的Fraunhofer研究所致力于高质量、低数据率的声音编码。让我们来看一个例子：你想对你喜欢的一首长约4分钟的歌曲采样，将其存储在磁盘上，以CD音质的WAV格式抽样，抽样率为 44.1kHz，即每秒钟接收44100个值，立体声，每次抽样数据为16位（2字节），则这首歌占的空间为：

44100x2声道x2字节x60秒x4分钟=40.4MB

如果从Internet上下载这首歌，假设传输率为56kbps，则下载时间为：

40.4x106x8/56x103x60=96分钟

即使是1M的宽带网也需5分钟以上，由此可见，音频压缩对减少音频数据的存储空间显得尤为重要。

MP3音频压缩包含编码和解码两部分，编码是将原始信号转换成电平信号的过程，解码即是逆过程，MP3采用了感知音频编码(PerceptualAudio 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文件结构

MP3文件大体上分为三个部分：ID3V2 + 音频数据 + ID3V1

ID3V2

ID3V2一共有四个版本，ID3V2.1/2.2/2.3/2.4，目前流行的播放软件一般只支持第三版即ID3V2.3，由于ID3V1记录在文件的末尾处，ID3V2就只能记录在文件的首部了，也是因为这个原因，对ID3V2的操作比ID3V1要慢，而且ID3V2的结构比ID3V1的结构复杂的多，但是ID3V2可以记录更多的信息，长度可变。

ID3V2.3由一个标签头和若干个标签帧或者一个扩展标签头组成，至少要有一个标签帧，每一个标签帧记录一种信息，例如作曲、标题等。

标签头

位于文件开始处，长度为10字节，结构如下：

char szHeader[3]        // 必须为“ID3”否则认为标签不存在
char cVer               // 版本号ID3V2.3 就记录3
char cRevision          // 副版本号此版本记录为0
char cFlag              // 标志字节，只使用高三位，其它位为0
char szSize[4]          // 标签大小

注：标签大小，不能确定具体包括哪些内容，解析歌曲文件后，发现没有哪些字节之和会等于该值，详见下面的实例分析

标志字节一般为0，定义如下(abc000000B)

表示是否使用Unsynchronisation
表示是否有扩展头部，一般没有，所以一般也不设置
表示是否为测试标签，99.99%的标签都不是测试标签，不设置

标签大小共四个字节，每个字节只使用低7位，最高位不使用恒为0，计算时将最高位去掉，得到28bit的数据，计算公式如下：

Size = (Size[0] & 0x7F) * 0x200000 + (Size[1] & 0x7F) * 0x400 + (Size[2] & 0x7F) * 0x80 + (Size[3] & 0x7F)

标签帧

每个标签帧都有10个字节的帧头(和标签头不是一个东西，虽然他们刚好都是10字节，标签头只有一个，每个标签帧都有一个帧头)和至少一个字节的内容构成，标签帧与标签头/其他标签帧无特殊字节分割，只能通过帧头信息来确定帧内容的大小。

帧头长度10字节，定义如下：
char ID[4] // 标识帧，说明其内容，例如作者/标题等
char Size[4] // 帧内容的大小，不包括帧头，不得小于1
char Flags[2] // 标志帧，只定义了6 位

标识帧，常见的内容如下：
TIT2 = 标题
TPE1 = 作者
TALB = 专集
TRCK = 音轨格式：N/M其中N为专集中的第N首，M为专集中共M首，N和M为ASCII码表示的数字
TYER = 年代是用ASCII码表示的数字
TCON = 类型直接用字符串表示
COMM = 备注格式："eng\0备注内容"，其中eng 表示备注所使用的自然语言

帧内容大小，计算公式如下：
Size = Size[0] * 0x100000000 + Size[1] * 0x10000+ Size[2] * 0x100 +Size[3]

标志帧，使用每个字节的高三位，其他位均为0(abc00000B xyz00000B)
a -- 标签保护标志，设置时认为此帧作废
b -- 文件保护标志，设置时认为此帧作废
c -- 只读标志，设置时认为此帧不能修改
x -- 压缩标志，设置时一个字节存放两个BCD 码表示数字
y -- 加密标志
z -- 组标志，设置时说明此帧和其他的某帧是一组

音频数据解析

每个帧都有一个帧头，长度是四个字节，帧后面可能有2字节的CRC校验，取决于帧头的第16位，为0则无校验，为1则有校验，后面是可变长度的附加信息，对于标准的MP3文件来说，其长度是32字节，紧接其后的是压缩的声音数据，当解码器读到此处时就进行解码了。

数据帧帧头

帧头长4字节，结构如下：
typedef FrameHeader
{
    unsigned int sync:11                        // 同步信息
    unsigned int version:2                      // 版本
    unsigned int layer: 2                       // 层
    unsigned int error protection:1             // CRC校验
    unsigned int bitrate_index:4                // 位率
    unsigned int sampling_frequency:2           // 采样频率
    unsigned int padding:1                      // 帧长调节
    unsigned int private:1                      // 保留字
    unsigned int mode:2                         // 声道模式
    unsigned int mode extension:2               // 扩充模式
    unsigned int copyright:1                    // 版权
    unsigned int original:1                     // 原版标志
    unsigned int emphasis:2                     // 强调模式
}HEADER, *LPHEADER

帧长度与帧大小

帧长度是压缩时每一帧的长度，包括帧头的4个字节。它将填充的空位也计算在。Layer 1的一个空位长4字节，Layer 2和Layer 3的空位是1字节。当读取MPEG文件时必须计算该值以便找到相邻的帧。注意：因为有填充和比特率变换，帧长度可能变化。

计算公式如下：
    Layer 1 ：Len(字节) = ((每帧采样点数 / 8 * 比特率) / 采样频率) + 填充 * 4
    Layer2/3：Len(字节) = ((每帧采样点数 / 8 * 比特率) / 采样频率) + 填充
    例：MPEG1 Layer3 比特率128 kbps，采样率44.1 KHz，填充0，帧长度为：((1152 / 8 * 128K) / 44100 + 0 = 417 bytes

帧持续时间

计算公式：
    每帧持续时间(毫秒) = 每帧采样数 / 采样频率 * 1000
    例：1152/441000*1000=26ms

帧数据

在帧头后边是Side Info(姑且称之为通道信息)。对标准的立体声MP3文件来说其长度为32字节。当解码器在读到上述信息后，就可以进行解码了。

对于mp3来说现在有两种编码方式，一种是CBR，也就是固定位率，固定位率的帧的大小在整个文件中都是是固定的(公式如上所述)，只要知道文件总长度，和从第一帧帧头读出的信息，就都可以通过计算得出这个mp3文件的信息，比如总的帧数，总的播放时间等等，要定位到某一帧或某个时间点也很方便，这种编码方式不需要文件头，第一帧开始就是音频数据。

另一种是VBR，就是可变位率，VBR是XING公司推出的算法，所以在MP3的音频帧里会有“Xing"这个关键字(也有用"Info"来标识的，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，就不得而知了)，它存放在MP3文件中的第一个有效帧的数据区里，它标识了这个MP3文件是VBR的。同时第一个帧里存放了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个时间分段的帧索引，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FRAME，就能快速找出我们需要快进的帧头。其实这第一帧就相当于文件头了。不过现在有些编码器在编码CBR文件时也像VBR那样将信息记入第一帧，比如著名的lame，它使用"Info"来做CBR的标记。

VBR头文件

ID3V1解析

ID3 V1.0标准并不周全，存放的信息少，无法存放歌词，无法录入专辑封面、图片等。V2.0是一个相当完备的标准，但给编写软件带来困难，虽然赞成此格式的人很多，在软件中真正实现的却极少。绝大多数MP3仍使用ID3 V1.0标准。此标准是将MP3文件尾的最后128个字节用来存放ID3信息。

附录

帧标识

AENC：Audioencryption                           APIC：Attached picture      
COMM：Comments                                  COMR：Commercial
ENCR：Encryptionmethod registration             EQUA：Equalization
ETCO：Event timingcodes                         GEOB：Generalencapsulated object
GRID：Groupidentification registration          IPLS：Involvedpeople list
LINK：Linkedinformation                         MCDI：Music CDidentifier
MLLT：MPEGlocationlookup table                  OWNE：Ownership
PRIV：Private                                   PCNT：Playcounter
POPM：Popularimeter                             POSS：Positionsynchronisation
RBUF：Recommendedbuffer size                    RVAD：Relativevolume adjustment
RVRB：Reverb                                    SYLT：Synchronizedlyric/text
SYTC：Synchronizedtempo codes                   TALB：Album/Movie/Showtitle
TBPM：BPM(beats perminute)                      TCOM：Composer
TCON：Content type                              TCOP：Copyrightmessage
TDAT：Date                                      TDLY：Playlistdelay
TENC：Encoded by                                TEXT：Lyricist/Textwriter
TFLT：Filetype                                  TIME：Time
TIT1：Content groupdeion                        TIT2：Title/songname/contentdeion
TIT3：Subtitle/Deionrefinement                  TKEY：Initial key
TLAN：Language(s)                               TLEN：Length
TMED：Media type                                TOAL：Originalalbum/movie/show title
TOFN：Originalfilename                          TOLY：Originallyricist(s)/text writer(s)
TOPE：Originalartist(s)/performer(s)            TORY：Originalrelease year
TOWN：Fileowner/licensee                        TPE1：Leadperformer(s)/Soloist(s)
TPE2：Band/orchestra/accompaniment              TPE3：Conductor/performerrefinement
TPE4：Interpreted, remixed, or otherwise modified
TPOS：Partof a set                              TPUB：Publisher
TRCK：Tracknumber/Position in set               TRDA：Recordingdates
TRSN：Internetradio station name                TRSO：Internetradio station owner
TSIZ：Size                                      TSRC：ISRC(internationalstandard recording code)
TSSE：Software/Hardwareand settings used for encoding
TYER：Year                                      TXXX：Userdefinedtext information
UFID：Unique fileidentifier                     USER：Terms of use
USLT：Unsychronizedlyric/text tranion           WCOM：Commercialinformation
WCOP：Copyright/Legalinformation                WOAF：Officialaudio file webpage
WOAR：Officialartist/performer webpage          WOAS：Officialaudio source webpage
WORS：Officialinternet radio station homepage
WPAY：Payment                                   WPUB：Publishersofficial webpage
WXXX：UserdefinedURL link

音乐类型

0 = "Blues"             1 = "ClassicRock"          2 = "Country"           3 = "Dance" 
4 = "Disco"             5 = "Funk"                 6 = "Grunge"            7 = "Hip-Hop" 
8 = "Jazz"              9 = "Metal"                10 = "NewAge"           11 = "Oldies" 
12 = "Other"            13 = "Pop"                 14 = "R&B"              15 = "Rap" 
16 = "Reggae"           17 = "Rock"                18 = "Techno"           19 = "Industrial" 
20 = "Alternative"      21 = "Ska"                 22 = "Deathl"           23 = "Pranks" 
24 = "Soundtrack"       25 = "Euro-Techno"         26 = "Ambient"          27 = "Trip-Hop" 
28 = "Vocal"            29 = "Jazz+Funk"           30 = "Fusion"           31 = "Trance" 
32 = "Classical"        33 = "Instrumental"        34 = "Acid"             35 = "House" 
36 = "Game"             37 = "SoundClip"           38 = "Gospel"           39 = "Noise" 
40 = "AlternRock"       41 = "Bass"                42 = "Soul"             43 = "Punk" 
44 = "Space"            45 = "Meditative"          46 = "InstrumentalPop"  47 = "InstrumentalRock"
48 = "Ethnic"           49 = "Gothic"              50 = "Darkwave"         51 = "Techno-Industrial"
52 = "Electronic"       53 = "Pop-Folk"            54 = "Eurodance"        55 = "Dream" 
56 = "SouthernRock"     57 = "Comedy"              58 = "Cult"             59 = "Gangsta" 
60 = "Top40"            61 = "ChristianRap"        62 = "Pop/Funk"         63 = "Jungle" 
64 = "NativeAmerican"   65 = "Cabaret"             66 = "NewWave"          67 = "Psychadelic" 
68 = "Rave"             69 = "Showtunes"           70 = "Trailer"          71 = "Lo-Fi" 
72 = "Tribal"           73 = "AcidPunk"            74 = "AcidJazz"         75 = "Polka" 
76 = "Retro"            77 = "Musical"             78 = "Rock&Roll"        79 = "HardRock" 
80 = "Folk"             81 = "Folk-Rock"           82 = "NationalFolk"     83 = "Swing" 
84 = "FastFusion"       85 = "Bebob"               86 = "Latin"            87 = "Revival"  
88 = "Celtic"           89 = "Bluegrass"           90 = "Avantgarde"       91 = "GothicRock" 
92 = "ProgessiveRock"   93 = "PsychedelicRock"     94 = "SymphonicRock"    95 = "SlowRock" 
96 = "BigBand"          97 = "Chorus"              98 = "EasyListening"    99 = "Acoustic" 
100 = "Humour"          101 = "Speech"             102 = "Chanson"         103 = "Opera"   
104 = "ChamberMusic"    105 = "Sonata"             106 = "Symphony"        107 = "BootyBass" 
108 = "Primus"          109 = "PornGroove"         110 = "Satire"          111 = "SlowJam" 
112 = "Club"            113 = "Tango"              114 = "Samba"           115 = "Folklore" 
116 = "Ballad"          117 = "PowerBallad"        118 = "RhythmicSoul"    119 = "Freestyle" 
120 = "Duet"            121 = "PunkRock"           122 = "DrumSolo"        123 = "Acapella" 
124 = "Euro-House"      125 = "DanceHall"          126 = "Goa"             127 = "Drum&Bass" 
128 = "Club-House"      129 = "Hardcore"           130 = "Terror"          131 = "Indie" 
132 = "BritPop"         133 = "Negerpunk"          134 = "PolskPunk"       135 = "Beat" 
136 = "ChristianGangstaRap"                        137 = "Heavyl"          138 = "Blackl"  
139 = "Crossover"       140 = "ContemporaryChristian"                       141 = "ChristianRock" 
142 = "Merengue"        143 = "Salsa"              144 = "Trashl"          145 = "Anime" 
146 = "JPop"            147 = "Synthpop"

使用KMPlayer与010 Editor完成MP3格式分析

音频信息

General
Complete name                  : E:\CloudMusic\茅野愛衣,戸松遥,早見沙織 - secret base ~君がくれたもの~ (10 years after Ver.).mp3
Format                         : MPEG Audio
File size                      : 13.7 MiB
Duration                       : 5 min 52 s
Overall bit rate mode          : Constant
Overall bit rate               : 320 kb/s
Album                          : secret base～君がくれたもの～
Part/Position                  : 1
Track name                     : secret base ~君がくれたもの~ (10 years after Ver.)
Track name/Position            : 1
Performer                      : 茅野愛衣/戸松遥/早見沙織
Writing library                : LAME3.99.5
Cover                          : Yes
Cover type                     : Media
Cover MIME                     : image/jpeg
Comment                        : 163 key(Don't modify):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

Audio
Format                         : MPEG Audio
Format version                 : Version 1
Format profile                 : Layer 3
Format settings                : Joint stereo / MS Stereo
Duration                       : 5 min 52 s
Bit rate mode                  : Constant
Bit rate                       : 320 kb/s
Channel(s)                     : 2 channels
Sampling rate                  : 44.1 kHz
Frame rate                     : 38.281 FPS (1152 SPF)
Compression mode               : Lossy
Stream size                    : 13.4 MiB (98%)
Writing library                : LAME3.99.5