iOS音频：MP3文件结构

MP3 (MPEG-1, 2, 2.5 Audio Layer III)是常见的音频编码方案，可以支持8-48kHz采样率、8-320kbps的比特率。MP3有大量的软硬件支持，兼容性好，压缩比也比较高，尤其适合于128kbps以上的音乐音频编码。

概述

MP3文件可以分为两部分：元数据+音频数据。

元数据，主要是音频专辑、创作者等信息，目前一般是两种格式：一种是ID3V2格式，一种是ID3V1格式。其中ID3V2在文件头，长度不固定，而ID3V1在文件结尾位置，长度固定为128字节。

音频数据，具体来说，是一系列音频数据帧（Frame），每一帧是独立可播放的。每一个音频帧，又分为帧头跟数据载体，也就是Header与Payload。帧头又记录了该帧的采样率、比特率等信息。实际上Frame Header是我们主要研究的对象，因为这就是格式规范所在。

因此可以理解为，MP3文件=[ID3V2]+音频数据（Frame）+[ID3V1]。

我们可以先看下面这张结构示例图（来自wiki）：

元数据：ID3V2与ID3V1

ID3是一个音频文件标签的标准，详细可以参见官方文档。

ID3V1标准其字节分布：

ID3V1的前3个字节为”TAG”。可以看到，ID3V1固定128字节无法拓展，存放信息较少（比如封面图等）。但ID3V1.1仍有不少支持。

ID3V2则是一个容器格式，允许拓展新的数据片段。ID3V2标签支持Unicode编码，并且ID3V2存放在音频文件文件头，使得实现音频流（streaming）更方便。另外，ID3V2对包含音乐同步的歌词也是支持的。目前主流的是ID3V2.3标准。

ID3V2.3的标签，每个标签都有一个标签头与若干标签帧或一个拓展标签头组成。

标签头

ID3V2.3的标签头为10个字节，具体如下定义：

1
2
3
4
5
6
7
8
9

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; /*存放标志的字节，这个版本只定义了三位，稍后详细解说*/ 

char Size[4]; /*标签大小，包括标签头的10 个字节和所有的标签帧的大小*/

一个典型的ID3v2.3的文件头：49 44 33 03 00 00 00 00 72 54 52 43 4B 00 00

其文件头开始是”ID3”，其版本0x3，副版本0。

Flag也是一个字节，也就是0bABCxxxxx，只定义了前3位，A是否非同步，B是否有拓展头部，C是否测试。

标签大小4个字节，但每个字节首位不用（&0x7F），也就是：0xxxxxxx 0xxxxxxx 0xxxxxxx 0xxxxxxx。

1

Total 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个字节的帧头与至少一个字节的不固定长度内容。

1
2
3

char ID[4]; /*用四个字符标识一个帧，说明其内容，稍后有常用的标识对照表*/ 
char Size[4]; /*帧内容的大小，不包括帧头，不得小于1*/ 
char Flags[2]; /*存放标志，只定义了6 位，稍后详细解说*/

帧标识用4个字符表示，说明一个帧的内容含义。

1
2
3
4
5
6
7

TIT2=标题表示内容为这首歌的标题，下同 
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

帧大小Size固定4个字节，8位都有效。

标识Flags为ABC00000IJK00000

1
2
3
4
5
6

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(但我没有找到一个软件理会这个标志) 
I -- 压缩标志，设置时一个字节存放两个BCD 码表示数字 
J -- 加密标志(没有见过哪个MP3 文件的标签用了加密) 
K -- 组标志，设置时说明此帧和其他的某帧是一组

音频数据帧

音频数据由一系列数据帧组成。每个帧的长度可能固定（CBR），也可能是不固定的（VBR）。每个帧都包括帧头与载荷数据。

Frame Header为4个字节，也就是32Bit。这32Bit中可以定义音频帧的版本格式、比特率/采样率、声道模式等。

具体含义参见下表：

帧头11位标志位，以FF开头。第16位是CRC标志位，为0时表示有CRC校验。如果有CRC校验，则帧头最后还有16bit的校验位。

其中的比特率、采样率索引表如下（需要结合版本，比如常见的MPEG V1,L3）：

常见的比特率如128kbps、192kbps以及320kbps，常见采样率就是44.1kHz。

在MPEG-1 Layer III中，有些特定的比特率需要与特定的声道模式组合才可使用：

音频帧长度

每个音频帧都是压缩后的音频数据，MPEG音频帧的每一帧的采样数都是固定的。具体数值参见下面图表：

每一帧的长度（byte）为：FrameLengthInBytes = SamplesPerFrame * BitsPerSample / 8 * Channels

对于比特率，我们知道：BitRate = SampleRate * BitsPerSample * Channels，于是：

FrameLengthInBytes = SamplesPerFrame / 8 * BitRate / SampleRate

这些参数都是每一帧帧头都有的字段。

需要注意的是，比特率是不固定的，因此数据帧的长度也不是固定的。并且为了适配比特率（使其精确满足比特率），有时还需要进行数据填充。比如对于128kbps比特率、44.1kHz的Layer III的数据帧，我们可以计算到帧长为417.96这样的奇怪帧长，但实际上编码时大部分的帧会使用418字节的帧长，而少部分帧是417字节。而音频帧头固定为4字节，所以整个MPEG帧大小为422字节。

所以帧长的计算修正为：数据帧长 = 每帧采样数 / 8 * 比特率 / 采样率 + 填充大小

对于Layer I的帧填充为4字节（slot大小），而Layer II和III的填充位则是1字节。于是：

1
2
3
4
5

Layer I：
FrameLengthInBytes = 48 * BitRate / SampleRate + Padding * 4

Layer II & III：
FrameLengthInBytes = 144 * BitRate / SampleRate + Padding

一个数据帧是否有填充位是由帧头的第22位来标识的，参见上面的图。

对于单个MP3文件而言，其音频采样率是固定的，可变的是各个帧所使用的比特率。而CBR与VBR的区别也正是在于此。

音频帧时间

每帧固定采样数，因此每帧的时间为：

1

DurationPerFrame = SamplesPerFrame / SampleRate

比如对于常见的44.1kHz采样率的MP3文件，其每帧持续时间为：

1

1152/44100*1000 = 26ms

MP3的播放时间

CBR的时间计算

对于CBR的计算时间是很直观的，知道音频的比特率及文件大小即可：

1

Duration = FileSize(Bytes) * 8 bits/Byte / BitRate

FileSize严格来说应考虑除元数据外的音频数据大小，但通常标签数据相对于整个文件大小而言可以忽略不计。

VBR的时间计算

VBR计算播放时间，一种方式可以通过计算MP3文件的平均比特率，然后套用CBR的方式即可。但准确的平均比特率需要遍历整个MP3文件的，如果只是在文件头部采样（常有音乐沉默），可能会失真。

VBR变的只是帧的比特率，采样率是固定的，每一帧的时间也是固定的。所以另一种计算方式是根据总帧数来计算时长。

1

Duration = Frames * SamplesPerFrame / SampleRate

要获知总帧数，最基本的方式仍然是可以进行遍历。但更高效的方式，显然也已经有人想过了——通过拓展头部记录总帧数。在第一个音频帧的音频数据区附加一个VBR头部，在其中记录总的帧数，已经是业界的事实标准。并且为了快速seek time，VBR头部中通常还附加了一个TOC的目录。

VBR头部

VBR头有常见的几种：XING、VBRI及LAME头部。单独说一下

XING头

XING头是XING公司推出的规范，大多数VBR的音频文件都添加了XING头。

XING头位于第一个音频帧的帧头之后（某个位置，通常是0x24的偏移）。包含XING头的整个第一个数据帧没有音频数据，因此即使解码器不处理XING头也可以解码。

1

XING头起始位置 = MPEG第一帧帧头起始位置 + 帧头大小(4B) + 边信息大小。

首先需要定位MPEG第一帧，从文件头开始读取元数据（ID3V2.3标签头及各标签帧），然后通过MPEG数据帧头11个1的bit去定位第一帧的帧头位置。XING头在CBR中也可能存在，此时头部标识就不是XING而是Info了。

在MPEG音频的帧头的后面，有一些解码器会用到的一些信息，用于解码器控制音频流的播放，叫做边信息。边信息大小可参考：

对于MPEG-1 Layer III而言，边信息大小就是32Bytes，因此就是MPEG数据帧头的36Bytes（也就是0x24）的偏移处。

XING头的字段如下：

VBRI头

VBRI头通常只存在于用Fraunhofer编码的MPEG音频文件中。并且位置是固定的。

1

VBRI头起始位置 = MPEG第一帧帧头起始位置 + 帧头大小(4B) + 32。

VBRI头的字段如下：

LAME头

参考此处

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

struct __attribute__((__packed__)) XingTag
{
  char      m_tag[4];                // "Xing" or "Info"
  uint32_t  m_flags;
  uint32_t  m_frame_size;            // if (flags & 0x1)
  uint32_t  m_stream_size;           // if (flags & 0x2)
  char      m_num_toc_entries[100];  // if (flags & 0x4)
  uint32_t  m_vbr_scale;             // if (flags & 0x8)
  char      m_lame_version[9];       // "LAME<major>.<minor><release>
  uint8_t   m_revision : 4;
  uint8_t   m_vbr_type : 4;
  uint8_t   m_lowpass_frequency;
  uint32_t  m_peak_signal;           // 9.23 fixed point
  uint16_t  m_radio_replay_pad : 2;
  uint16_t  m_radio_replay_set_name : 2;
  uint16_t  m_radio_replay_originator_code : 2;
  uint16_t  m_radio_replay_gain : 10;
  uint16_t  m_audiophile_replay_gain;
  uint8_t   m_flag_ath_type : 4;
  uint8_t   m_flag_expn_psy_tune : 1;
  uint8_t   m_flag_safe_joint : 1;
  uint8_t   m_flag_no_gap_more : 1;
  uint8_t   m_flag_no_gap_previous : 1;
  uint8_t   m_average_bit_rate;
  uint8_t   m_delay_padding_delay_high;
  uint8_t   m_delay_padding_delay_low : 4;
  uint8_t   m_delay_padding_padding_high : 4;
  uint8_t   m_delay_padding_padding_low;
  uint8_t   m_noise_shaping : 2;
  uint8_t   m_stereo_mode : 3;
  uint8_t   m_non_optimal : 1;
  uint8_t   m_source_frequency : 2;
  uint8_t   m_unused;                // set to 0
  uint16_t  m_preset;
  uint32_t  m_music_length;
  uint16_t  m_music_crc16;
  uint16_t  m_crc16;                 // if (protection bit)
};

MP3的压缩比

以采样率为44.1kHz为例。

原始PCM编码的音频数据，每秒的数据量为：

1

DataSize = Channels * SampleRate * BitsPerSample

对于双声道、16位量化深度来算，DataSize=2 * 44100 * 16=1411200的bits。

而该原始音频数据使用MP3编码后，以128kbps比特率CBR的为例：

1

CompressedSize = BitRate * 1 seconds

也就是DataSize=128000的bits。

因此压缩比：

1

Ratio = DataSize / CompressedSize = Channels * SampleRate * BitsPerSample / BitRate

比特率越高，压缩比越低。

对于上述128kbps的MP3的压缩率，压缩比是 1411200 / 128000，大约是11左右。

对于MP3文件解析的示例，可以参考此文有完整的MP3文件解析的示例

参考：
MP3’s Tech: http://www.mp3-tech.org