MP3文件格式解析

1， MP3簡介

MP3是今天一種常見的音樂格式，但恐怕除了工作要求之外，有興趣對此進行研究的人恐怕不多。所以，當我打算做MP3解碼方面的工作時，在找資料時也頗費了一番周折，同時也覺得很有趣。所以想在這里分享一下自己的心得，做一個總結性的介紹。這樣有興趣的同志也可以對此有一個大概了解，盡快入門。

MP3是MPEG-1 Audio Layer 3的簡稱，是當今比較流行的一種數字音頻編碼和有損壓縮格式（有Layer 3，也必然有Layer1和Layer2，也就是MP1和MP2，但不在本文討論范圍之內）。MP3技術的應該可以用來大幅度的降低音頻文件存儲所需要的空間。它丟掉脈沖編碼調制（PCM）音頻數據中對人類聽覺不重要得數據，從而達到了較高的壓縮比（高達12：1－10：1）。簡單地說，MP3在編碼時先對音頻文件進行頻譜分析，然后用過濾器濾掉噪音電平，接著通過量化的方式將剩下的每一位打散排列，最后形成有較高壓縮比的MP3文件，并使壓縮后的文件在回放時也能夠達到比較接近原音源的效果。

MP3的音頻質量取決于它的Bitrate和Sampling frequency，以及編碼器質量。MP3的典型速度介于每秒128到320kb之間。采樣頻率也有44.1，48和32 kHz三種頻率，比較常見的是采用CD采樣頻率——44.1kHz。常用的編碼器是LAME，它完全遵循LGPL的MP3編碼器，有著良好的速度和音質。

2，????? MP3文件格式

用一個二進制查看器（比如Ultra-Edit）打開一個MP3文件，就能看到一大堆看似雜亂無序的數據。但只要用心了解就會知道，其實，這一切都是有規律可循的。

MP3文件是由幀（frame）構成，幀是MP3文件的最小組成單位。每幀都包含幀頭，并可以計算幀的長度。根據幀的性質不同，文件主要分為三個部分，ID3v2標簽幀，數據幀和ID3v1標簽幀。并非每個MP3文件都有ID3v2，但是數據幀和ID3v1幀是必須的。ID3v2在文件頭，以字符串“ID3”為標志，包含了演唱者，作曲，專輯等信息，長度不固定，擴展了ID3V1的信息量。ID3v1在文件結尾，以字符串“TAG”為標記，其長度是固定的128個字節，包含了演唱者、歌名、專輯、年份等信息。

I, ID3V2

ID3V2到現在一共有四個版本，但流行的播放軟件一般只支持第三版，既ID3V2.3。每個ID3V2.3 的標簽都一個標簽頭和若干個標簽幀或一個擴展標簽頭組成。關于曲目的信息如標題、作者等都存放在不同的標簽幀中，擴展標簽頭和標簽幀并不是必要的，但每個標簽至少要有一個標簽幀。標簽頭和標簽幀一起順序存放在MP3 文件的首部。

標簽頭

長度為10個字節，位于文件首部，其數據結構如下：

char Header[3]; /* 字符串 "ID3" */

char Ver;?????? /* 版本號ID3V2.3 就記錄3 */

char Revision; /* 副版本號此版本記錄為0 */

char Flag;???? /* 存放標志的字節，這個版本只定義了三位，很少用到，可以忽略 */

char Size[4]; /* 標簽大小，除了標簽頭的10 個字節的標簽幀的大小 */

標簽大小為四個字節，但每個字節只用低7位，最高位不使用，恒為0，其格式如下：
0xxxxxxx 0xxxxxxx 0xxxxxxx 0xxxxxxx

計算公式如下：

ID3V2_frame_size = (int)(Size[0] & 0x7F) << 21
???????????????? | (int)(Size[1] & 0x7F) << 14
????????????????? | (int)(Size[2] & 0x7F) << 7
????????????????? | (int)(Size[3] & 0x7F) + 10;

標簽幀

每個標簽幀都有一個10字節的幀頭和至少一個字節的不固定長度的內容組成。它們是順序存放在文件中，由各自特定的標簽頭來標記幀的開始。其幀的結構如下：

char FrameID[4];?? /*用四個字符標識一個幀，說明其內容 */

char Size[4];????? /* 幀內容的大小，不包括幀頭，不得小于1 */

char Flags[2];???? /* 存放標志，只定義了6 位，此處不再說明 */

常用幀標識：

TIT2：標題
TPE1：作者
TALB：專輯
TRCK：音軌，格式：N/M，N表示專輯中第幾首，M為專輯中歌曲總數
TYER：年份
TCON：類型
COMM：備注，格式：“eng/0備注內容”，其中eng表示所使用的語言
幀大小為四個字節所表示的整數大小。

II, ID3V1

其數據結構如下：

char Header[3];??? /* 標簽頭必須是"TAG"否則認為沒有標簽 */
char Title[30];??? /* 標題 */
char Artist[30];?? /* 作者 */
char Album[30];??? /* 專集 */
char Year[4];????? /* 出品年代 */
char Comment[28]; /* 備注 */
char reserve;????? /* 保留 */
char track;;?????? /* 音軌 */
char Genre;??????? /* 類型 */

其實，關于最后31個字節還存在另外一個版本，就是30個字節的Comment和一個字節的Genre.

有了上述的這些信息，我們就可以自己寫代碼，從MP3文件中抓取信息以及修改文件名了。但是，如果真的想寫一個播放軟件，還是需要讀它的數據幀，并進行解碼。

III, 數據幀

數據幀往往有多個，至于有多少，由文件大小和幀大小來決定。每個幀都有一個四字節長的幀頭，接下來可能有兩個字節的CRC校驗，其存在由幀頭中的具體信息決定。接著就是幀的實體數據，也就是MAIN_DATA了。

A,幀頭結構如下：

位置???? 長度???? 描述
（BIT）? （BITS）
————————————————————————————
31－19?? 12?????? Frame sync(0xFFF)
18/17??? 2??????? Layer, 00 – reserved, 01 – Layer III
???????????????????????? 10 – Layer II, 11 － Layer I
16?????? 1???????? protection_bit, 0 意味著受CRC保護，幀頭后面跟16位的CRC。
15-12??? 4??????? bitrate_index, 比特率
11-10??? 2??????? sampling_frequency,??? 00 – 44.1KHz, 01 – 48KHz
???????????????????????????????????????? 10 – 32 KHz,? 11 – 保留
9??????? 1??????? padding_bit,1 意味著幀里包含padding位，僅當采樣頻率為44.1KHz時發生。
8??????? 1??????? private_bit
7－6???? 2??????? mode,??? 00－stereo,??????? 01-joint stereo(intensity stereo and/or ms_stereo)
?????????????????????????? 11- dual_channel, 11 – single_channel
5-4????? 2??????? mode_extension,在Layer III中表示使用了哪一種joint stereo編碼方式。
??????????????????????????? Intensity_stereo?? ms_stereo
?????????????????? 00??????????? off??????????????? off
?????????????????? 01??????????? on???????????????? off
?????????????????? 10??????????? off??????????????? on
?????????????????? 11??????????? on???????????????? on
3??????? 1??????? copyright,1 表示受版權保護。
2??????? 1??????? original，0表示該bitstream是一個copy，1表示是original.
1-0????? 2??????? emphasis，表示會使用哪一種de-emphasis。
?????????????????? 00 － no emphasis,???? 01 – 50/15 microsec. Emphasis
?????????????????? 10 – reserved,??????? 11 – CCITT J.17

1)????? 無論幀長是多少，每幀的播放時間都是26ms

2)????? 數據幀大小：

FrameSize = 144 * Bitrate / SamplingRate + PaddingBit
當144 * Bitrate / SamplingRate不能被8整除，則加上相應的paddingBit.

B,MAIN_DATA:

MP3的granule包含18 * 32個subband采樣。每個數據幀含有兩個granule的數據，其內容結如下：
?????? - main_data_end pointer
?????? - side info for both granules (scfsi)
?????? - side info granule 1
?????? - side info granule 2
?????? - scalefactors and Huffman code data granule 1
?????? - scalefactors and Huffman code data granule 2

主要數據里包含了scalefactors, Huffman encoded data和ancillary information。其內容不再詳敘，可以參考MP3 SPEC－IS0 11172-3 AUDIO PART。我們一般用的都是立體聲，scfsi的長度為32個字節。

這里要解釋的一個概念就是位流――bitstream。我們平常接觸到的數據都是整數，最小的單位就是byte后者char。雖然我們也會用一個字節里的不同位來表示不同的含義，但總的來說，我們在出來數據的時候還是把它當作一個個字節看待。但對MP3這種數據格式來說，這是行不通的。在解碼時，它的數據輸入就是一個個比特流。其中一個或幾個比特會是你的采樣數據或者信息編碼。你需要從整個MAIN_DATA里提取你所需要的以BIT為單位的參數和輸入信號，從而進行解碼。所以我們需要一個子程序，getbit(n)，也就是從緩沖中提取所需要的位，并形成一個新的整數，作為我們的輸出。

C,LAME標簽幀

可是，當你真的打開一個MP3文件的時候，你會發現，很奇怪，很多時候第一個數據幀的幀頭后面的32個字節居然都為0，這是為什么呢，這么奇怪的解碼信息該如何解釋？找到MP3 INFO TAG REV SPECIFICATION的網站，我才明白，原來第一幀并不是真正的數據幀，而是LAME編碼的標志幀。

這里又要牽涉到兩個概念：CBR和VBR。CBR表示比特率不變，也就是每幀的長度是一致的，它以字符串“INFO”為標記。VBR是Variable BitRate的簡稱，也就是每幀的比特率和幀的長度是變化的，它以字符串“Xing”為標記。同時，它還存放了MP3文件里幀的總個數，和100個字節的播放總時間分段的幀的INDEX，還有其他一些參數，這被稱為Zone A，傳統Xing VBR標簽數據，共120個字節。

在二進制文本編輯器里我們還可看到一個字符串“LAME”，并且后面清楚地跟著版本號。這就是20個字節的Zone B初始LAME信息，表示該文件是用LAME編碼技術。接下來一直到該幀結束就是Zone C－LAME標簽。

3，????? 相關資料

× Mp3 Info Tag rev 1 specifications - draft 0

× MP3 文件格式

× MP3 SPEC－IS0 11172-3 AUDIO PART?

本文來自CSDN博客，轉載請標明出處：http://blog.csdn.net/zp752963831/archive/2008/11/25/3368845.aspx