您当前的位置:首页 > 计算机 > 文件格式与编码

MP3文件结构解析(超详细)

时间:03-26来源:作者:点击数:

1. MP3文件结构解析

1.1. 概述

1.1.1. 音频相关术语

  • ID3:

一般位于一个mp3文件的开头或末尾的若干字节内,记录该mp3文件的歌手、标题、专辑名称、年代、风格等信息,ID3分位两个版本,V1版ID3在文件末尾的固定128字节,以TAG字符开头,若没有则认为无ID3V1信息,V2版ID3位于mp3的开头,长度可变。

  • 采样率:

每秒从连续信号中提取并组成离散信号的采样个数,它用赫兹(Hz)来表示,采样率是指将模拟信号转换成数字信号时的采样频率,也就是单位时间内采样多少点,采样频率越高声音的还原就越真实越自然,在当今的主流采集卡上,采样频率一般共分为22.05KHz、44.1KHz、48KHz三个等级,22.05KHz只能达到FM广播的声音品质,44.1KHz则是理论上的CD音质界限,48KHz则更加精确一些。

  • 比特率:

比特率是指每秒传送的比特(bit)数。单位为bps(Bit Per Second),比特率越高,传送的数据越大。在音频、视频领域,比特率常翻译为码率,比特率表示经过编码(压缩)后的音、视频数据每秒钟需要用多少个比特来表示,而比特就是二进制里面最小的单位,要么是0,要么是1。比特率与音、视频压缩的关系,简单的说就是比特率越高,音频、视频的质量就越好,但编码后的文件就越大;如果比特率越少则情况刚好相反。

比特率=采样率*采样位数*声道数

  • 码率/码流/位率:

是指音频、视频文件在单位时间内使用的数据流量,通俗一点的理解就是取样率,是音频、视频编码中质量控制中最重要的部分,一般我们用的单位是Kb/s、Mb/s。一般来说码流越大,压缩比就越小,质量就越高。码流越大,说明单位时间内取样率越大,数据流,精度就越高,处理出来的文件就越接近原始文件

  • 编码:

从信息论的观点来看,描述信源的数据是信息和数据冗余之和,即:数据=信息+数据冗余。音频信号在时域和频域上具有相关性,也即存在数据冗余。将音频作为一个信源,音频编码的实质是减少音频中的冗余。

自然界中的声音非常复杂,波形极其复杂,通常我们采用的是脉冲代码调制编码,即PCM编码。PCM通过抽样、量化、编码三个步骤将连续变化的模拟信号转换为数字编码

  • 解码:

编码的逆过程

1.1.2. MP3简述

MP3全称为MPEG Audio Layer 3,它是一种高效的计算机音频编码方案,它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。MPEG-1和MPEG-2标准使用同一个音频编解码族Layer1、2、3,MP3绝大多数使用的是MPEG1标准

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文件数据由多个帧组成,帧是MP3文件最小组成单位。每个帧又由帧头、附加信息和声音数据组成。每个帧播放时间是0.026秒,其长度随位率的不同而不等。有些MP3文件末尾有些额外字节存放非声音数据的说明信息。

1.2. MP3文件结构

MP3文件大体上分为三个部分:ID3V2+音频数据+ID3V1

1.3. ID3V2解析

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

1.3.1. 标签头

位于文件开始处,长度为10字节,结构如下:

char Header[3]; /*必须为“ID3”否则认为标签不存在*/

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; /*标志字节,只使用高三位,其它位为0 */

char Size[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)

a:表示是否使用Unsynchronisation

b:表示是否有扩展头部,一般没有,所以一般也不设置

c: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)

以《金南玲 - 逆流成河.mp3》为例,使用WinHex工具打开如下,读者可自己对照上述结构,本章结束会给出详细的结构分析

1.3.2. 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

1.4. 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。

1.4.1. 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;

详细说明:

1.4.2. 帧长度与真大小

帧大小即每帧的采样数,表示一帧数据中采样的个数,该值是恒定的,如下表所示:

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内。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) = ((每帧采样数/8*比特率)/采样频率)+填充*4

Layer2/3:Len(字节) = ((每帧采样数/8*比特率)/采样频率)+填充

例:MPEG1 Layer3 比特率128000,采样率44100,填充0,帧长度为:((1152/8*128K)/44.1K+0=417字节

1.4.3. 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

1.4.4. 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FRAME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,那就不得而知了),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。

1.4.5. VBR头文件

VBR文件头位于MP3文件中第一个有效帧的数据区,详细结构如下:

1.5. 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

1.6. 附录

1.6.1. 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 by

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

1.6.2. 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";

1.7. 实例分析

1.7.1. 歌曲信息

1.7.2. 结构解析

1.7.2.1. 标签头

标签头:10字节,00H-09H

标签大小:

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

=(0x07&0x7F)*0x400+(0x34&0x7F)*0x80+(0x60&0x7F)

=0x1C00+0x1A00+0x60

=0x3660=13920

1.7.2.2. TSSE标签帧

1.7.2.3. COMM标签帧

帧内容大小:

Size = Size[0]*0x100000000 + Size[1]*0x10000+ Size[2]*0x100 +Size[3]

=0x02*0x100+0x07

=0x207=519

1.7.2.4. TALB标签帧

1.7.2.5. TIT2标签帧

1.7.2.6. TPE1标签帧

1.7.2.7. TPOS标签帧

1.7.2.8. TRCK标签帧

1.7.2.9. APIC标签帧

此处省略N多字节………

帧内容大小:

Size = Size[0]*0x100000000 + Size[1]*0x10000+ Size[2]*0x100 +Size[3]

=0x01*0x10000+0xD3*0x100+0xD7

=0x10000+0xD300+0xD7

=0x1D3D7=119767

1.7.2.10. 未知数据

不清楚该段数据具体作用,目测是填充字节。

1.7.2.11. 音频数据

篇幅有限,只分析第一帧数据,其他帧与此无异。

帧头解析:

FF=11111111 红色

FB=1111 1011 红色黑色绿色紫色

E0=1110 0000 蓝色橄榄色深红色橙色

00=00000000 白色浅绿色深蓝色褐色粉红色

红色:11位,同步信息,所有位均为1,第一个字节恒为FF

黑色:2位,版本,MPEG1

绿色:2位,层,Layer3

紫色:1位,无CRC校验

蓝色:4位,位率,单位是kbps,320

橄榄色:2位,采样频率,44.1K

深红色:1位,用来调整文件头长度,无需调整

橙色:1位,保留字,未使用

白色:2位,表示声道模式,立体声Stereo

浅绿色:2位,声道模式为Joint Stereo时才使用

深蓝色:1位,文件是否合法,不合法

褐色:1位,是否原版,非原版

粉红色:2位,用于声音经降噪压缩后再补偿的分类,未定义

根据以上信息可计算:

帧长度=帧头+通道信息+帧内容= ((1152/8*320)/44.1=1044字节

每帧持续时间=1152/44.1*1000=26.12ms

因为该歌曲为CBR即固定位率歌曲,所以每帧的数据长度都是1044字节,26ms。

1.7.2.12. 其他数据

该歌曲无ID3V1信息。

最后的320字节,题主也是笨笨的没弄懂其具体含义~

方便获取更多学习、工作、生活信息请关注本站微信公众号城东书院 微信服务号城东书院 微信订阅号
推荐内容
相关内容
栏目更新
栏目热门