MP3格式音频文件结构解析
一、概述
Layer-3 音频文件，MPEG(Moving Picture Experts Group) 在汉语中译为活动图像专家组，特指活动影音压缩标准，MPEG音频文件是MPEG1 标准中的声音部分，也叫MPEG 音频层，它根据压缩质量和编码复杂程度划分为三层，即Layer-1、Layer2、Layer3，且分别对应MP1、MP2、MP3 这三种声音文件，并根据不同的用途，使用不同层次的编码。
MPEG 音频编码的层次越高，编码器越复杂，压缩率也越高，MP1 和MP2 的压缩率分别为4：1 和6：1-8：1，而MP3 的压缩率则高达10：1-12：1，也就是说，一分钟CD 音质的音乐，未经压缩需要10MB的存储空间，而经过MP3 压缩编码后只有1MB 左右。不过MP3 对音频信号采用的是有损压缩方式，为了降低声音失真度，MP3采取了“感官编码技术”，即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，最后形成具有较高压缩比的MP3 文件，并使压缩后的文件在回放时能够达到比较接近原音源的声音效果。
二、整个MP3 文件结构：
MP3 文件大体分为三部分：TAG_V2(ID3V2)，音频数据，TAG_V1(ID3V1)
a). ID3V2 在文件开始的位置，包含了作者，作曲，专辑等信息，长度不固定，扩展了ID3V1 的信息量。
b). 一系列的音频数据的帧，在文件的中间位置，个数由文件大小和帧长决定；
每个帧的长度可能不固定，也可能固定，由位率bitrate决定
每个帧又分为帧头和数据实体两部分
帧头记录了mp3 的位率，采样率，版本等信息，每个帧之间相互独立 。
c). ID3V1在文件结尾的位置，包含了作者，作曲，专辑等信息，长度为128Byte。
| ID3V2 |
包含了作者，作曲，专辑等信息，长度不固定，扩展了ID3V1的信息量。 |
| Frame . . . Frame |
一系列的帧，个数由文件大小和帧长决定 每个FRAME的长度可能不固定，也可能固定，由位率bitrate决定 每个FRAME又分为帧头和数据实体两部分 帧头记录了mp3的位率，采样率，版本等信息，每个帧之间相互独立。 |
| ID3V1 |
包含了作者，作曲，专辑等信息，长度为128BYTE。 |
表格2.1
1、ID3V2
ID3V2 到现在一共有4 个版本，但流行的播放软件一般只支持第3 版， 既ID3v2.3。
由于ID3V1 记录在MP3 文件的末尾，ID3V2就只好记录在MP3 文件的首部了(如果有一天发布ID3V3，真不知道该记录在哪里)。也正是由于这个原因，对ID3V2 的操作比ID3V1 要慢。而且ID3V2 结构比ID3V1 的结构要复杂得多，但比前者全面且可以伸缩和扩展。
下面就介绍一下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。标签头和标签帧一起顺序存放在MP3 文件的首部。
1、标签头
在文件的首部顺序记录10 个字节的ID3V2.3 的头部。数据结构如下：
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; /*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*/
图2.1
蓝色部分即为ID3V2.3的头部：前4个字节就是 ID30x03(第3版)
第5个字节：副版本号，为0
注：文中关于mp3文件数据截图均为“紫藤花.mp3”文件中的数据截图
1）标志字节
标志字节一般为0，定义如下：
abc00000
a -- 表示是否使用Unsynchronisation(这个单词不知道是什么意思，字典里也没有找到，一般不设置)
b -- 表示是否有扩展头部，一般没有(至少Winamp 没有记录)，所以一般也不设置
c -- 表示是否为测试标签(99.99%的标签都不是测试用的啦，所以一般也不设置)
第6个字节：存放标志的字节，只定义了三位，这里值为0
2）标签大小
一共四个字节，但每个字节只用7位，最高位不使用恒为0。所以格式如下
0xxxxxxx 0xxxxxxx 0xxxxxxx 0xxxxxxx
计算大小时要将0 去掉，得到一个28 位的二进制数，就是标签大小(不懂为什么要这样做)，计算公式如下：
int total_size;
total_size =
(Size[0]&0x7F)*0x200000+ (Size[1]&0x7F)*0x400 + (Size[2]&0x7F)*0x80 +(Size[3]&0x7F)
第7到10字节：表示ID3标签的大小，这里为
total_size=（0x00&0x7F)*0x200000+(0x00&0x7F)*0x400+(0x2F&0x10)*0x80 +(0x76 &072)
= 0x872 =2162
注意：这里的帧大小，并不包含帧头的10个字节，只表示帧内容的大小
2、标签帧
每个标签帧都有一个10 个字节的帧头和至少一个字节的不固定长度的内容组成。它们也是顺序存放在文件中，和标签头和其他的标签帧也没有特殊的字符分隔。得到一个完整的帧的内容只有从帧头中的到内容大小后才能读出，读取时要注意大小，不要将其他帧的内容或帧头读入。
帧头的定义如下：
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*/
图2.2
蓝色部分是一个歌曲标题的标签帧
1）帧标识
用四个字符标识一个帧，说明一个帧的内容含义，常用的对照如下：
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
注：更多的帧标识说明见附录一。
前4个字节为帧标识，这里是54 49 5432(TIT2) 是标题的标签帧
2）大小
这个可没有标签头的算法那么麻烦，每个字节的8 位全用，格式如下
xxxxxxxx xxxxxxxx xxxxxxxx xxxxxxxx
算法如下：
int FSize;
FSize = Size[0]*0x100000000 + Size[1]*0x10000+ Size[2]*0x100 + Size[3];
第5到8字节为标签帧的大小，这里为
FSize = 0x00*0x100000000+ 0x00*0x10000 + 0x00*0x100 + 0x24 = 0x24 = 36
注意：这里的帧大小，并不包含帧头的10个字节，只表示帧内容的大小
3）标志
只定义了6 位，另外的10 位为0，但大部分的情况下16 位都为0 就可以了。格式如下：
abc00000ijk00000
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
值得一提的是winamp 在保存和读取帧内容的时候会在内容前面加个''\0''，并把这个字节计算在帧内容的大小中。
第9到10字节为标签帧的标记，如上所述，这里为00
帧内容是歌曲标题，标题的36个字节的内容为：紫藤花☆ゞ忍音.地带[renyin.12u.cn]
2、音频数据帧
每个帧都有一个帧头Header，长度是4Byte（32bit）,帧头后面可能有两个字节的CRC 校验值，这两个字节的是否存在决定于Header 信息的第16bit，为0 则帧头后面无校验，为1 则有校验，校验值长度为2 个字节，紧跟在Header 后面，接着就是帧的实体数据了，格式如下：
1、 帧头格式
帧头长4字节，对于固定位率的MP3文件，所有帧的帧头格式一样其数据结构如下(注：此结构要自己定义)：
typedef struct frameHeader
{
unsigned int sync1:8; //同步信息1
unsigned int error_protection:1; //CRC校验
unsigned int layer:2; //层
unsigned int version:2; //版本
unsigned int sync2:3; //同步信息2
unsigned int extension:1; //版权
unsigned int padding:1; //填充空白字
unsigned int sample_rate_index:2; //采样率索引
unsigned int bit_rate_index:4; //位率索引
unsigned int emphasis:2; //强调方式
unsigned int original:1; //原始媒体
unsigned int copyright:1; //版权标志
unsigned int mode_extension:2; //扩展模式，仅用于联合立体声
unsigned int channel_mode:2; //声道模式
}FHEADER, *LPHEADER;
MP3帧头字节说明
请见：mp3音频数据帧帧头及VBR头字节使用说明.xls
图 2.3
第1帧数据：帧头为 FF FB 9004
1111 11111111 1011 1001 0000 0000 0010
前11位：同步信息
第12到13位：版本，其值为11 ->MPEG 1
第14到15位：层，其值为01->Layer 3
第16位：CRC检验标识，其值为1 ->不校验
第17到20位：位率，其值为1001，从前面可知本帧为V1，L3类型， ->128K
第21到22位：采样率，其值为00，从前面知本帧为 MPEG 1-> 44.1K
第23位：帧长调节，其值为0 ->无需调整
第24位：未使用
第25到26位：声道模式，其值为00->立体声Stereo
第27到28位：扩充模式，当声道模式为01(联合立体声)时才使用，此处未使用
第29位：版权，其值为0->无版权
第30位：原版标志，其值为1->是原版文件
第31到32位：强调方式，其值为00->未定义
1）计算帧长度
我们首先区分两个术语：帧大小和帧长度。帧大小即每帧采样数表示一帧中采样的个数，这是恒定值。其值如下表所示
|
|
MPEG 1 |
MPEG 2(LSF) |
MPEG 2.5(LSF) |
| Layer 1 |
384 |
384 |
384 |
| Layer 2 |
1152 |
1152 |
1152 |
| Layer 3 |
1152 |
576 |
576 |
帧长度是压缩时每一帧的长度，包括帧头。它将填充的空位也计算在内。LayerI的一个空位长4字节，LayerII和LayerIII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。
从头中读取比特率，采样频率和填充的值后可以进行计算，
LyaerI使用公式：
帧长度（字节） = (( 每帧采样数/ 8 * 比特率 ) / 采样频率 ) + 填充 * 4
LyerII和LyaerIII使用公式：
帧长度（字节）= (( 每帧采样数/ 8 * 比特率 ) / 采样频率 ) + 填充
例：
LayerIII 比特率 128000，采样频率 44100，填充0 =〉帧大小 417字节；
如图 2.3中，比特率为128K，采样率为44.1K，填充0，则其帧长度为：
(1152 / 8 * 128K)/44.1K = 417 (字节)
2）每帧的持续时间
每帧的持续时间可以通过计算获得，下面给出计算公式
每帧持续时间(毫秒) = 每帧采样数 / 采样频率 * 1000
如图 2.3中，其每帧时间为：
1152 / 44.1K * 1000 = 26.12 (约等于26ms)
如果是MPEG2 Layer III 采样率为16KHz的话那一帧要持续36毫秒，这个相差还是蛮大的，所以还是应该通过计算来获的。
3）CRC校验
如果帧头的校验位为0，则帧头后就有一个16位的CRC值，这个值是big-endian的值，把这个值和该帧通过计算得出的CRC值进行比较就可以得知该帧是否有效。
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。通道信息后面是Scale factor(增益因子)信息。当解码器在读到上述信息后，就可以进行解码了。图 2.3中地址为0x880到0x89F(含)，此处数据全为0。
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。
5）VBR头
这里列出VBR的第一帧存储文件信息的头的格式。有两种格式，一种是常见的XINGHeader（头部包含字符‘Xing’），另一种是VBRIHeader（头部包含字符‘VBRI’）鉴于VBRIHeader不常见，下面只说XINGHeader：
XING Header的起始位置，相对于第一帧帧头的位置，单位是字节
36-39 "Xing" 文件为MPEG1并且不是单声道(大多数VBR的mp3文件都是如此)
21-24 "Xing" 文件为MPEG1并且是单声道
21-24 "Xing" 文件为MPEG2并且不是单声道
13-16 "Xing" 文件为MPEG2并且是单声道
具体的VBR头格式说明
请见：mp3音频数据帧帧头及VBR头字节使用说明.xls
在VBR格式的第一帧中，XING Header包括帧头一共最多只需要156个字节就够了，当然也可以在XING Header后面存储编码器的信息，比如lame在其后就是存储其版本，这需要给第一帧留足够的空间才行。
3、ID3v1
ID3V1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。ID3V2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，在软件中绝大多数MP3仍在使用ID3V1标准。ID3v1标签包含艺术家，标题，唱片集，发布年代和流派。另外还有额外的注释空间。位于音频文件的最后固定为128字节。可以读取该文件的最后这128字节获得标签。
ID3V1结构如下：
AAABBBBB BBBBBBBB BBBBBBBB BBBBBBBB
BCCCCCCC CCCCCCCC CCCCCCCC CCCCCCCD
DDDDDDDD DDDDDDDD DDDDDDDD DDDDDEEE
EFFFFFFF FFFFFFFF FFFFFFFF FFFFFGHI
表3.1 ID3 V1.0文件尾说明
| 字节 |
长度 (字节) |
说 明 |
| 1-3(A) |
3 |
存放“TAG”字符，表示ID3 V1.0标准，紧接其后的是歌曲信息。 |
| 4-33(B) |
30 |
歌名 |
| 34-63(C) |
30 |
作者 |
| 64-93(D) |
30 |
专辑名 |
| 94-97(E) |
4 |
年份 |
| 98-125(F) |
28 |
附注 |
| 126(G) |
1 |
保留位 |
| 127(H) |
1 |
音轨号 |
| 128(I) |
1 |
MP3音乐类别，共147种。 |
ID3V1 的各项信息都是顺序存放，没有任何标识将其分开，比如标题信息不足30 个字节，则使用''\0''填充，数据结构定义如下：
typedef struct tagID3V1
{
charHeader[3]; /*标签头必须是"TAG"否则认为没有标签*/
charTitle[30]; /*标题*/
charArtist[30]; /*作者*/
charAlbum[30]; /*专集*/
charYear[4]; /*出品年代*/
charComment[28]; /*备注*/
charreserve; /*保留*/
chartrack; /*音轨*/
charGenre; /*类型*/
}ID3V1, *pID3V1;
注：流派使用原码表示说明见附录二
附录一：帧标识的含义
4）. Declared ID3v2 frames
Thefollowing frames are declared in this draft.
AENCAudio encryption
APICAttached picture
COMMComments
COMRCommercial
ENCREncryption method registration
EQUAEqualization
ETCOEvent timing codes
GEOBGeneral encapsulated object
GRIDGroup identification registration
IPLSInvolved people list
LINKLinked information
MCDIMusic CD identifier
MLLT MPEGlocation lookup table
OWNEOwnership
PRIVPrivate
PCNT Playcounter
POPMPopularimeter
POSSPosition synchronisation
RBUFRecommended buffer size
RVADRelative volume adjustment
RVRBReverb
SYLTSynchronized lyric/text
SYTCSynchronized tempo codes
TALBAlbum/Movie/Show title
TBPM BPM(beats per minute)
TCOMComposer
TCONContent type
TCOPCopyright message
TDAT Date
TDLYPlaylist delay
TENCEncoded by
TEXTLyricist/Text writer
TFLT Filetype
TIME Time
TIT1Content group deion
TIT2Title/songname/content deion
TIT3Subtitle/Deion refinement
TKEYInitial key
TLANLanguage(s)
TLENLength
TMEDMedia type
TOALOriginal album/movie/show title
TOFNOriginal filename
TOLYOriginal lyricist(s)/text writer(s)
TOPEOriginal artist(s)/performer(s)
TORYOriginal release year
TOWN Fileowner/licensee
TPE1 Leadperformer(s)/Soloist(s)
TPE2Band/orchestra/accompaniment
TPE3Conductor/performer refinement
TPE4Interpreted, remixed, or otherwise modified by
TPOS Partof a set
TPUBPublisher
TRCKTrack number/Position in set
TRDARecording dates
TRSNInternet radio station name
TRSOInternet radio station owner
TSIZ Size
TSRC ISRC(international standard recording code)
TSSESoftware/Hardware and settings used for encoding
TYER Year
TXXX Userdefined text information
UFIDUnique file identifier
USERTerms of use
USLTUnsychronized lyric/text tranion
WCOMCommercial information
WCOPCopyright/Legal information
WOAFOfficial audio file webpage
WOAROfficial artist/performer webpage
WOASOfficial audio source webpage
WORSOfficial internet radio station homepage
WPAYPayment
WPUBPublishers official webpage
WXXX Userdefined URL link
附录二：流派使用原码表
/* Standard genres */
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";
Winamp扩充了这个表
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";
其他扩充
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";
其他任何的数值都认为是“unknown”