1、MP3 文件格式解析VC 2008-02-03 09:03:30 阅读 4424 评论 6 字号：大中小 订阅 1， MP3 简介 MP3 是今天一种常见的音乐格式，但恐怕除了工作要求之外，有兴趣对此进行研究的人恐怕不多。所以，当我打算做 MP3 解码方面的工作时，在找资料时也颇费了一番周折，同时也觉得很有趣。所以想在这里分享一下自己的心得，做一个总结性的介绍。这样有兴趣的同志也可以对此有一个大概了解，尽快入门。MP3 是 MPEG-1 Audio Layer 3 的简称，是当今比较流行的一种数字音频编码和有损压缩格式（有 Layer 3，也必然有 Layer1 和 Layer2，也就是 MP
2、1 和 MP2，但不在本文讨论范围之内）。MP3 技术的应该可以用来大幅度的降低音频文件存储所需要的空间。它丢掉脉冲编码调制（PCM）音频数据中对人类听觉不重要得数据，从而达到了较高的压缩比（高达 12：110：1 ）。简单地说，MP3 在编码时先对音频文件进行频谱分析，然后用过滤器滤掉噪音电平，接着通过量化的方式将剩下的每一位打散排列，最后形成有较高压缩比的 MP3 文件，并使压缩后的文件在回放时也能够达到比较接近原音源的效果。MP3 的音频质量取决于它的 Bitrate 和 Sampling frequency，以及编码器质量。MP3 的典型速度介于每秒128 到 320kb 之间。采样频
3、率也有 44.1，48 和 32 kHz 三种频率，比较常见的是采用 CD 采样频率44.1kHz。常用的编码器是 LAME，它完全遵循 LGPL 的 MP3 编码器，有着良好的速度和音质。 2， MP3 文件格式 用一个二进制查看器（比如 Ultra-Edit）打开一个 MP3 文件，就能看到一大堆看似杂乱无序的数据。但只要用心了解就会知道，其实，这一切都是有规律可循的。MP3 文件是由帧（frame）构成，帧是 MP3 文件的最小组成单位。每帧都包含帧头，并可以计算帧的长度。根据帧的性质不同，文件主要分为三个部分，ID3v2 标签帧，数据帧和 ID3v1 标签帧。并非每个MP3 文件都有
4、ID3v2，但是数据帧和 ID3v1 帧是必须的。ID3v2 在文件头，以字符串“ID3”为标志，包含了演唱者，作曲，专辑等信息，长度不固定，扩展了 ID3V1 的信息量。ID3v1 在文件结尾，以字符串“TAG”为标记，其长度是固定的 128 个字节，包含了演唱者、歌名、专辑、年份等信息。I, ID3V2 ID3V2 到现在一共有四个版本，但流行的播放软件一般只支持第三版，既 ID3V2.3。每个 ID3V2.3 的标签都一个标签头和若干个标签帧或一个扩展标签头组成。关于曲目的信息如标题、作者等都存放在不同的标签帧中，扩展标签头和标签帧并不是必要的，但每个标签至少要有一个标签帧。标签头和标签
5、帧一起顺序存放在 MP3 文件的首部。 标签头 长度为 10 个字节，位于文件首部，其数据结构如下： char Header3; /* 字符串 “ID3“ */ 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; /* 存放标志的字节，这个版本只定义了三位，很少用到，可以忽略 */ char Size4; /* 标签大小，除了标签头的 10 个字节的标签帧的大小 */ 标签大小为四个字节，但每个字节只用低 7 位，最高位不使用，恒为 0，其格式如下：0xxxxxxx 0xxxxxxx 0x
6、xxxxxx 0xxxxxxx 计算公式如下： ID3V2_frame_size = (int)(Size0 标签帧 每个标签帧都有一个 10 字节的帧头和至少一个字节的不固定长度的内容组成。它们是顺序存放在文件中，由各自特定的标签头来标记帧的开始。其帧的结构如下： char FrameID4; /*用四个字符标识一个帧，说明其内容 */ char Size4; /* 帧内容的大小，不包括帧头，不得小于 1 */ char Flags2; /* 存放标志，只定义了 6 位，此处不再说明 */ 常用帧标识： TIT2：标题TPE1：作者TALB：专辑TRCK： 音轨，格式：N/M，N 表示专辑中
7、第几首，M 为专辑中歌曲总数TYER：年份TCON：类型COMM：备注，格式：“eng0 备注内容” ，其中 eng 表示所使用的语言帧大小为四个字节所表示的整数大小。 II, ID3V1 其数据结构如下： char Header3; /* 标签头必须是 “TAG“否则认为没有标签 */char Title30; /* 标题 */char Artist30; /* 作者 */char Album30; /* 专集 */char Year4; /* 出品年代 */char Comment28; /* 备注 */char reserve; /* 保留 */char track; /* 音轨 */c
8、har Genre; /* 类型 */ 其实，关于最后 31 个字节还存在另外一个版本，就是 30 个字节的 Comment 和一个字节的 Genre. 有了上述的这些信息，我们就可以自己写代码，从 MP3 文件中抓取信息以及修改文件名了。但是，如果真的想写一个播放软件，还是需要读它的数据帧，并进行解码。 III, 数据帧 数据帧往往有多个，至于有多少，由文件大小和帧大小来决定。每个帧都有一个四字节长的帧头，接下来可能有两个字节的 CRC 校验，其存在由帧头中的具体信息决定。接着就是帧的实体数据，也就是MAIN_DATA 了。 A,帧头结构如下： 位置 长度 描述（BIT ） （BITS）31
9、19 12 Frame sync(0xFFF)18/17 2 Layer, 00 reserved, 01 Layer III10 Layer II, 11 Layer I16 1 protection_bit, 0 意味着受 CRC 保护，帧头后面跟 16 位的 CRC。15-12 4 bitrate_index, 比特率11-10 2 sampling_frequency, 00 44.1KHz, 01 48KHz10 32 KHz, 11 保留9 1 padding_bit,1 意味着帧里包含 padding 位，仅当采样频率为 44.1KHz 时发生。8 1 private_bit76
10、 2 mode, 00stereo, 01-joint stereo(intensity stereo and/or ms_stereo)11- dual_channel, 11 single_channel5-4 2 mode_extension,在 Layer III 中表示使用了哪一种 joint stereo 编码方式。Intensity_stereo ms_stereo00 off off01 on off10 off on11 on on3 1 copyright,1 表示受版权保护。2 1 original，0 表示该 bitstream 是一个 copy，1 表示是 origi
11、nal.1-0 2 emphasis，表示会使用哪一种 de-emphasis。00 no emphasis, 01 50/15 microsec. Emphasis10 reserved, 11 CCITT J.17 1) 无论帧长是多少，每帧的播放时间都是 26ms 2) 数据帧大小： FrameSize = 144 * Bitrate / SamplingRate + PaddingBit当 144 * Bitrate / SamplingRate 不能被 8 整除，则加上相应的 paddingBit. B,MAIN_DATA: MP3 的 granule 包含 18 * 32 个 su
12、bband 采样。每个数据帧含有两个 granule 的数据，其内容结如下：- 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 主要数据里包含了 scalefactors, Huffman encoded data 和 ancillary information
13、。其内容不再详叙，可以参考 MP3 SPECIS0 11172-3 AUDIO PART。我们一般用的都是立体声，scfsi 的长度为 32 个字节。 这里要解释的一个概念就是位流bitstream 。我们平常接触到的数据都是整数，最小的单位就是 byte后者 char。虽然我们也会用一个字节里的不同位来表示不同的含义，但总的来说，我们在出来数据的时候还是把它当作一个个字节看待。但对 MP3 这种数据格式来说，这是行不通的。在解码时，它的数据输入就是一个个比特流。其中一个或几个比特会是你的采样数据或者信息编码。你需要从整个 MAIN_DATA里提取你所需要的以 BIT 为单位的参数和输入信号，
14、从而进行解码。所以我们需要一个子程序，getbit(n)，也就是从缓冲中提取所需要的位，并形成一个新的整数，作为我们的输出。 C,LAME 标签帧 可是，当你真的打开一个 MP3 文件的时候，你会发现，很奇怪，很多时候第一个数据帧的帧头后面的 32个字节居然都为 0，这是为什么呢，这么奇怪的解码信息该如何解释？找到 MP3 INFO TAG REV SPECIFICATION 的网站，我才明白，原来第一帧并不是真正的数据帧，而是 LAME 编码的标志帧。 这里又要牵涉到两个概念：CBR 和 VBR。CBR 表示比特率不变，也就是每帧的长度是一致的，它以字符串“INFO”为标记。VBR 是 Variable BitRate 的简称，也就是每帧的比特率和帧的长度是变化的，它以字符串“Xing” 为标记。同时，它还存放了 MP3 文件里帧的总个数，和 100 个字节的播放总时间分段的帧的INDEX，还有其他一些参数，这被称为 Zone A，传统 Xing VBR 标签数据，共 120 个字节。 在二进制文本编辑器里我们还可看到一个字符串“LAME”，并且后面清楚地跟着版本号。这就是 20 个字节的 Zone B 初始 LAME 信息，表示该文件是用 LAME 编码技术。接下来一直到该帧结束就是 Zone CLAME 标签。
