音频编码之aac编码原理

AAC基本概况：

l AAC（Advance Audio Coding）：

即高级音频编码，出现在1997年，基于MPEG-2的音频编码技术，当时被称为MPEG-2 AAC,因此把其作为MPEG-2(MP2)标准的延伸。是由Fraunhofer IIS、杜比实验室、AT&T、Sony等公司共同开发，目的是取代MP3格式，随着MPEG-4(MP4)标准在2000年的成型，则为AAC也叫M4A。

l 和AC3编码关系:

和AC3关系不大，AC3早于AAC，是由AAC的发起单位杜比实验室和日本先锋合作研制的新编码方式。AAC能输出AC-3的任何码率，胜过AC-3，压缩率更高，但技术上更加复杂。

l AAC背景和发展：

1997年制定了不兼容MPEG-1的音频标准MPEG-2 NBC即MPEG-2 AAC;

1999年AAC又增加了LTP和PNS工具，形成了MPEG-4 AAC V1;

2002年在MPEG-4 AAC v1增加了SBR和错误鲁棒性工具，形成了 HE-AAC;

2004年MPEG-4在HE-AAC引入了PS模块，提升降码率性能，形成了EAAC+;

对于1999年、2002年、2004年增加了SBR和PS等编码技术的统称为MPEG-4 AAC；

**备注：**上面这些SBR PS等缩写就是音频的编码算法代名词，网上比较多，感兴趣的可以进一步自行搜索。1. SBR技术即Spectral Band Replication(频段复制)音乐的主要频谱集中在低频段，高频段幅度很小，但很重要，决定了音质。如果对整个频段编码，若是为了保护高频就会造成低频段编码过细以致文件巨大；若是保存了低频的主要成分而失去高频成分就会丧失音质。SBR把频谱切割开来，低频单独编码保存主要成分，高频单独放大编码保存音质，“统筹兼顾”了，在减少文件大小的情况下还保存了音质，完美的化解这一矛盾。

\2. PS指“parametric stereo”（参数立体声）。原来的立体声文件文件大小是一个声道的两倍。但是两个声道的声音存在某种相似性，根据香农信息熵编码定理，相关性应该被去掉才能减小文件大小。所以PS技术存储了一个声道的全部信息，然后，花很少的字节用参数描述另一个声道和它不同的地方。

l AAC编码技术参数：

采样率范围：8KHz-96KHz 范围比较广，就是一秒在模拟信号上进行多少次采样；

码率：8kbps-576kbps，支持范围比较宽，在压缩比和质量上都能考虑到；

声道：最多支持48个主声道，16个低频声道，声音细节更丰富，音乐场景也用的多；

采样精度：就是一个采样点需要在计算机表示占用的字节数，一般用2字节16bit表示；

l AAC编码的主要规格：

根据不同的编码技术，AAC的编码分为九种规格，这和H264的编码规格大同小异。

\1. MPEG-2 AAC LC低复杂度规格（Low Complexity）编码方式比较简单，没有增益控制，但是提高了编码效率，在中等码率的编码效率和音质方面，都能找到平衡点。

\2. MPEG-2 AAC Main 主规格

\3. MPEG-2 AAC SSR 可变采样率规格（Scaleable Sample Rate）

\4. MPEG-4 AAC LC 低复杂度规格（Low Complexity）

\5. MPEG-4 AAC Main 主规格–包含了除增益控制之外的全部功能，音质最好

\6. MPEG-4 AAC SSR 可变采样率规格（Scaleable Sample Rate）

\7. MPEG-4 AAC LTP 长时期预测规格（Long Term Prediction）

\8. MPEG-4 AAC LD 低延迟预测规格（Low Delay）

\9. MPEG-4 AAC HE 高效率规格（High Efficency）–这种规格适合用于低码率编码，有Nero-ACC编码器支持，是一种成熟的商用编码器。

目前使用最多的就是LC和HE（适合降低码率），**流行的Nero AAC编码程序支持LC、HE、HEv2三种规格的，而且编码后的AAC音频，规格都显示LC。**其中HE就是在AAC(LC)编码技术上增加SBR技术，HEv2就是AAC（LC）上技术上不仅仅增加了SBR技术，同时也增加了PS技术。

所以一般的商业音频编码器只支持部分编码规格，这也是我们选择编码器的重要考虑因素之一，因为不同的编码规格支持的音频采样率，码率都不一样，背后采用的编码技术和算法复杂度也不一样。

l AAC编码方式特点：

\1. AAC高压缩比的音频编码方式，比G7xx、MP3、AC3系列的压缩比都高，并且质量和CD差不多，但是和比较新的Opus还是差点，不过Opus目前还未充分普及；

\2. AAC也采用了变换编码算法，采用了更高的滤波器组，这是压缩高的原因；

\3. AAC为了提高压缩比，还采用了噪声重整，反向自适应预测，联合立体声和量化霍夫曼编码算法等新技术；

\4. AAC支持了更多的采样率和比特率，支持了1-48个音轨和多达15个低频音轨，具有多种语言兼容能力；

\5. AAC支持了更宽的声音频率范围，从8KHz-96KHz,远宽于MP3的16KHz-48KHz范围；

\6. AAC特殊的算法可以保有声音频率甚高和甚低频率。声音细节更丰富更清晰更接近原声；

\7. AAC采用了优化算法，导致解码端简单，降低了解码端的处理复杂度；

AAC的封装格式：

n AAC封装类型：

\1. ADIF:Audio Data Interchange Format音频数据交换格式，这种格式一般应用在将音频通过写文件方式存储在磁盘里，不能进行随机访问，不允许在文件中间开始进行解码。只有拿到整个文件时才能开始进行渲染播放，这种暂时还没用到，不是这篇文章的重点。

\2. ADTS:Audio Data Transport Stream 音频数据传输流。这种格式的特征是用同步字节进行将AAC音频截断，然后可以允许客户端在任何地方进行解码播放，适合网络传输场景。这也是本文介绍的封装格式重点。

ADTS的格式如下：

n AAC封装头字段：

ADIF的格式：

adif_sequence

adif_header + byte_alignment + raw_data_stream

adif_header + byte_alignment + raw_data_block…+ raw_data_block

ADIF Header头信息如下：

ADTS的格式：

adts_sequence

adts_frame + adts_frame + … + adts_frame

adts_fixed_header + adts_variable_header + error_check + raw_data_block + error_check

ADTS header 的固定头和可变头信息：

固定头意思就是一旦音频文件形成，所有帧的信息头字段意义都是一样的，但是可变头说的是每个帧这里面字段都有不一样的地方，不要理解为可有可无的意思。

ADTS帧头各个字段和含义：

序号	域	长度bits	说明	解释
1	Syncword	12	all bits must be 1	总是0xFFF,代表一个ADTS帧的开始，作为分界符，用于同步每帧起始位置。
2	ID即MPEG version	1	0 for MPEG-4, 1 for MPEG-2	一般用0，因为都是属于MPEG的规范。
3	Layer	2	always 0	总是00
4	Protection Absent	1	set to 1 if there is no CRC and 0 if there is CRC	这里代表是否有CRC检验字段，1代表没有，0代表有。
5	Profile	2	the MPEG-4 Audio Object Type minus 1	代表使用哪个级别和规范的AAC，其中01代表Low Complexity(LC),其中profile等于Audio Object Type的值减1，其中所有Audio Object Type值在下面所示。
6	Sampling Frequency Index	4	MPEG-4 Sampling Frequency Index (15 is forbidden)	采样率下标，由于AAC的采样率范围是8KHz-96KHz，所以具体用那个，这个字段决定。
7	Private Bit	1	set to 0 when encoding, ignore when decoding	一般默认0即可
8	Channel Configuration	3	MPEG-4 Channel Configuration (in the case of 0, the channel configuration is sent via an inband PCE)	通道配置即声道数，一般2表示立体声双声道。具体取值范围参考下表。
9	Originality copy	1	set to 0 when encoding, ignore when decoding	一般默认0即可
10	Home	1	set to 0 when encoding, ignore when decoding	一般默认0即可
11	Copyrighted identification bit	1	set to 0 when encoding, ignore when decoding	一般默认0即可
12	Copyrighted identification Start	1	set to 0 when encoding, ignore when decoding	一般默认0即可
13	Aac Frame Length	13	this value must include 7 or 9 bytes of header length: FrameLength = (ProtectionAbsent == 1 ? 7 : 9) + size(AACFrame)	一个ADTS帧的长度包括ADTS头和AAC原始流。用AAC原始流长度+7或者9。当proection_ansent = 0 则+9proection_ansent = 1 则+7
14	ADTS Buffer Fullness	11	buffer fullness	0x7FF 说明是码率可变的码流。0x000代表是固定码率的码流。
15	Number of AAC Frames	2	number of AAC frames (RDBs) in ADTS frame minus 1, for maximum compatibility always use 1 AAC frame per ADTS frame	ADTS帧中有number_of_raw_data_blocks_in_frame + 1个AAC原始帧。所以说number_of_raw_data_blocks_in_frame == 0 表示说ADTS帧中有一个AAC数据块。(一个AAC原始帧包含一段时间内1024个采样及相关数据)
16	CRC	16	CRC if protection absent is 0	校验字段，为可选字段。

ADTS各个字段的取值范围：

\1. Profile 取值：

Object Type ID	Aduio Object Type	备注
1	AAC Main
2	AAC LC	最常用
3	AAC LTR
4	SBR
5	AAC scalable

\2. Sampling Frequency Index采样率取值

Sampling frequency index	value	备注
0x0 即0000	96000	DVD-Audio、一些 LPCM DVD 音轨、Blu-ray Disc（蓝光盘）音轨、和 HD-DVD （高清晰度 DVD）音轨所用所用采样率
0x1 即0001	88000
0x2 即0010	64000
0x03即0011	48000	miniDV、数字电视、DVD、DAT、电影和专业音频所用的数字声音所用采样率
0x04即0100	44100	音频 CD, 也常用于 MPEG-1 音频（VCD, SVCD, MP3）所用采样率
0x05即0101	32000
0x06即0110	24000
0x07即0111	22000
0x08即1000	16000
0x09即1001	12000
0x0a即1010	11025
0x0b即1011	8000	电话所用采样率, 对于人的说话已经足够
0x0c即1100	7350
0x0d即1101	reserver
0x0e即1110	reserve
0x0f即1111	escape value

\3. Channel Configuration通道数取值

value	number of channels	Audio syntactic list in order received	tips
0	-	-	关于这些字段看下面raw_data_block基本码流组件说明
1	1	single_channel_element	1
2	2	channel_pair_element()	2
3	3	single_channel_element()channel_pair_element()	1+2
4	4	single_channel_element()channel_pair_element()single_channel_element()	1+2+1
5	5	single_channel_element()channel_pair_element() channel_pair_element()	1+2+2
6	5+1	single_channel_element()channel_pair_element()channel_pair_element()lfe_channel_element()	1+2+2+1
7	7+1	single_channel_element()channel_pair_element()channel_pair_element()channel_pair_element() lfe_channel_element()	1+2+2+2+1
8-15	-	-	保留

ADTS的raw_data_block基本码流组件，头部有3位标志位id_syn_ele,指示六种不同类型的元素：

id_syn_ele	数据流	含义	注释
ID_SCE(0x0)	single_channel_element()	单通道元素基本上只由一个ICS组成。一个原始数据块最可能由16个SCE组成。	核心算法区
ID_CPE(0x1)	channel_pair_element()	由两个可能共享边信息的ICS和一些联合立体声编码信息组成。一个原始数据块最多可能由16个SCE组成。	核心算法区
ID_CCE(0x2)	coupling_channel_element()	藕合通道元素。代表一个块的多通道联合立体声信息或者多语种程序的对话信息。	核心算法区
ID_LFE(0x3)	lfe_channel_element()	低频元素。包含了一个加强低采样频率的通道。	核心算法区
ID_DSE(0x4)	data_stream_element()	数据流元素，包含了一些并不属于音频的附加信息。	扩展流或者用户数据，非核心算法区
ID_PCE(0x5)	program_config_element()	程序配置元素。包含了声道的配置信息。它可能出现在ADIF 头部信息中。	扩展流或者用户数据，非核心算法区
ID_FIL(0x6)	fill_element()	填充元素。包含了一些扩展信息。如SBR，动态范围控制信息等。	扩展流或者用户数据，非核心算法区

实例分析：

用MediaInfo工具可以查看AAC音频的基本信息

AAC Audio ES Viewer工具可以详细分析每一个字节

分析各个字段含义

待分析数据：

固定头十六进制可变头十六进制

FF F1 4C 8 0 42 E0 00

固定头二进制可变头二进制

1111 1111 1111 0001 0100 1100 1000 0000 0100 0010 1110 0000 0000 0000

固定头字段含义

syncword :

十六进制：0x0FFF (12 bits) 分界符

二进制：1111 1111 1111

ID：

十进制0 (1 bit) 0 代表MPEG4的AAC

二进制0 (1 bit) 0

layer :

十进制0 (2 bits) 固定填充00，默认

二进制0 0

protection_absent:

十进制1 (1 bit)，决定了头的长度，目前7字节

二进制：1

profile :

十进制：1 [Low Complexity profile (LC)] (2 bits)

二进制：01

sampling_frequency_index:

十进制：3 [48000 Hz] (4 bits)

二进制：0011

private_bit

十进制: 0 (1 bit)

二级制：0

channel_configuration

十进制: : 2 [2 - LF RF] (3 bits)

二级制：10

original/copy

十进制: 0 (1 bit)，默认

二进制：0

home:

十进制:0 (1 bit)，默认

二进制：0

可变头信息

copyright_identification_bit:

十进制:0 (1 bit)，默认

二进制：0

copyright_identification_start :

十进制:0 (1 bit)，默认

二进制：0

frame_length:

十进制：535 (13 bits) 长度，包括头和实际裸流数据535-7=528

二级制：00 0100 0010 111

adts_buffer_fullness:

十进制：0 (11 bits)

二进制：0 0000 0000 00 代表是固定码率0x000,可变码率是0x7FF

number_of_raw_data_blocks_in_frame:

十进制：0 (2 bits),代表后面的实际帧数0+1个AAC帧

二级制：00

AAC帧的裸流

raw_data_block()

核心代码参考：

我们在开发中经常遇到这块就是AAC封装格式的解析，需要拿到裸流进行播放和提取里面的相应字段，或者将裸流打包为ADTS然后封装到TS、MP4、FLV中进行打包发送传输。下面的代码通过读取一个文件流，获取里面的ADTS信息和音频帧。

\1. 先定义ADTS头的结构体

\2. 读取文件流的第一个ADTS音频帧的头部数据，并解析里面的长度；

\3. 再根据长度读取里面的音频裸数据；

\4. 不断循环即可完成头部数据的解析和其裸数据的读取；