写在前面

最近正在学习并整理音视频相关材料，我习惯性的把最近学到的东西分享出来。如果大家感兴趣，可以订阅我的专题 视频播放器和音视频基础知识。

正文

MP3方面的资料网上现有的都大同小异，我是参考了一篇网上的博客。原文地址是：原文在这里，感谢博主的博客。

MP3音频帧

一个MPEG音频文件是由很多帧数据组成。每一帧包含了一个帧头以及其后的音频数据。同一个文件每一帧的音频数据的采样次数总是相同的。Layer II,II,III的音频帧头都是相同的，不同之处体现在音频数据的编码方式。帧本身是由slot组成的。Layer I的slot大小是4字节，其余情况是1字节。

除了Layer之外，MPEG音频本身也有3个版本，这个几个版本的不同之处体现在能处理的采样率不同(参考 表2.1.2)。MPEG 1 (ISO/IEC 13818-3) 和MPEG2(ISO/IEC 11172-3)是ISO标准. MPEG2.5对MPEG2进行的非官方的扩展，它是为了支持更低的采样率。MPEG2/2.5 也常被简称为LSF（Low SamplingFrequencies），既低采样率。每个版本的MPEG都有3种不同的Layer。如果你想知道关于MPEG音频文件的更多的技术细节，请参考规范说明。你可以在www.MP3-Tech.org找到规范说明和许多其他关于MPEG有用的信息。

一个文件可以被编码成恒定比特率（CBR）或可变比特率（VBR），这意味着每帧可以有不同的比特率。可变比特率的质量往往比恒定比特率编码的文件更高，因为他们可以在需要的地方使用更高的比特率。

MPEG音频帧头

帧头位于每帧的开始处，大小通常是32bits(若Protection bit为1，则还要帧头最后添加16bits的校验位)，并具有以下格式。帧头中第0位是最高有效位(MSB)。在头位的0是最重要的一点完整的头（最高位）。请注意，位置是从零开始的，位置，长度和示例都是用位格式表示。

MPEG Audio Frame Header

抽样速率指定每秒钟有多少个样本被记录。每个MPEG版本可以处理不同的samplingrates。

MPEG 采样率索引表

比特率的单位是 kbit/s。请注意，这里的kbit/s指的是1000bit/s，而不是1024！比特率指数1111保留，不应该被使用。在MPEG音频标准中有一个自由格式描述。这个自由格式意味着该文件是以恒定比特率编码的，但不是预定义的编码比特率。只有极少数的解码器能够处理这种文件。

MPEG 采样率索引表

在MPEG-1 LayerII中，只有某些比特率和某些模式的组合是允许的(如下表)。在MPEG -2/2.5，没有此限制。下表是允许的比特率和模式的组合：

对于计算帧的大小，你需要每帧的MPEG音频数据的样本数。你可以使用下面的表来获取每帧的MPEG音频数据的样本数：下图是每一帧数据的采样数

帧大小的计算公式如下：
帧大小 = ( 每帧采样次数 × 比特率(bit/s) ÷ 8 ÷采样率) + Padding

由于舍入误差，官方公式计算帧的大小是一个有点不同。根据ISO标准，你需要以slot为单位计算帧大小，然后截断这个数字成为整数，之后与槽的大小相乘。你可以在CMPAHeader类中计算帧大小的正确方法。

在实际项目开发中，对一帧的数据进行处理的时候，缓冲区里存放的数据大小需要比计算出的一帧大小要大一些，比如再多上8个字节。

扩展模式用于加入信息，没有使用的立体声效果，从而减少所需的比特位数据。这些比特位数据是在联合立体模式下编码器动态确定的，每一帧的联合立体模式都可以改变，甚至打开或关上。对于其它的声道模式，扩展模式是无效的。

MPEG音频文件的完整的频率范围被划分成多个子带。共有32个子带。对于Layer I、II，the two bits in the header determine the frequency range (bands)where the intensity stereo is applied。在这个频率范围内，只有一个通道被存储。所有其他的子带包含两个独立声道的信息。对于Layer III，这两个位决定使用哪一种类型的关节立体声(增强立体声和/或M / S立体声)。

扩展模式

CRC校验

若保护位为0，则音频帧中会包含一个16位的CRC(循环冗余校验和)。这个校验和直接跟踪帧头和大字. 为了验证CRC，你必须计算音频帧的校验和，并与存储的CRC进行比较。若不等，则可能传输途中数据被损坏。检查CRC也有利于来验证你真的发现了一帧的开始位置，因为同步位在相同的情况下也发生在一个帧的数据中。

CRC是采用计算的CRC - 16算法（生成器polynom 0x8005），也是一帧的一部分。下面的数据被认为是CRC：帧头的最后两个字节，和音频数据中一些紧接CRC字段的比特位。当计算CRC的时候，需要跳过校验和字段。不幸的是，在Layer II中没有简单的方法来计算出用于计算校验和的必要帧的数量。

你需要帧头之外的其它信息来计算所需的比特位。但是，从帧头信息中可以计算出在Layer I和Layer III中保护比特位的数量。

对于Layer III，在计算CRC的时候，你需要考虑完整的边信息。

边信息紧接着帧头。它包含了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，但不包含实际的音频数据。下表显示了所有Layer III文件的边信息的大小。

对于Layer I的文件，你必须考虑到扩展模式（见表2.1.6）。然后你可以以下公式计算出用于计算CRC的比特位的数量：

4 * ( 声道数 * bound of intensity stereo + (32 - bound of intensity stereo) );

这可以被读成两倍的立体声子带加上单子带的数量和结果乘以4。对于简单的mono帧，这等于128，因为通道的数目是1，而强度立体声的边界是32，这意味着没有强度立体声。对于立体帧，这是256。有关更多信息，请查看类CMPAFrame中的rc代码。

CBR

可以通过以下公式可以获取播放时长 (仅适用于恒定码率文件)：

播放时长 = ( 文件大小 – ID3大小 ) × 8 ÷ 比特率(bit/s)

VBR头

有些文件的编码是可变比特率模式（VBR）的。为了估计这些文件的时间，你必须知道整个文件的平均比特率。它常常与第一帧的码率相差很多，因为最低的比特率可用在音乐沉默时（尤其是在开始时）。要获得这个平均率，你必须通过所有的帧中的文件，并计算出每帧的比特率，相加的总和除以帧数。而这不是一个好的做法（很慢）。在第一帧的音频数据区中存在一个附加的VBR头。它包含了文件中的帧的总数，有了总帧数，我们可以用以下公式计算音频的播放时长：

Duration = 总帧数 * 每帧采样数 / 采样率

而且，VBR头往往会包含一个表，当在文件中寻找位置的时候会利用到这张表。

因为这不是一个好的实践(非常慢)，在firstframe(在框架标题之后)的数据部分中存在附加的VBR头。它们包含了文件中所有帧的总数，你可以用下面的公式来计算时间的持续时间:

XING头

大部分可变比特率编码的文件都会包含这个头。这个头位于第一个音频帧头之后的某个位置(后面会有具体介绍)。包含XING头的整个第一帧没有音频数据，因此，即使解码器不认识XING头，也可以解码该文件。

在Layer III文件中，XING头紧接着边信息之后。因此，你可以通过使第一帧帧头起始地址加上帧头大小(4个字节)，然后再加上边信息大小(参考表2.2.1)，就可以得到XING头的位置。虽然Layer III有边信息，但是Layer I、II、III都不用考虑16比特位的CRC(如果有的话)。

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

帧头大小 = 4（或6,当Protection bit==0时，帧头后会有16bit=2byte的CRC）。

为了读出这个头，你必须找到第一个MPEG音频帧头，然后去定位XING头的起始位置。XING头的格式如下：（请注意，位置是从零开始的。位置，长度和例子是以字节格式）下面表格是XING 头格式

根据上面的格式说明，一个XING头必须至少包含ID字段和Flags字段，其余的字段是依靠与Flags字段的，并且是可选的。在一些情况下，CBR文件中也会包含这个头，在这种情况下，ID值一般用”Info”来标识

这里存在关于XING头的LAME扩展，它是由公同的LAME编码器来使用的，但我并没有过多考虑这一点，因为它不是必需的计算播放时长的因素。这里是为信息标签的MP3文件链接。

VBRI 头

据我所知，这个头只存在与用Fraunhofer编码器编码的MPEG音频文件中。它和XING头不同。你可以在第一帧音频帧头之后的32个字节偏移处准确地定位这个头。

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

帧头大小 = 4（或6,当Protection bit==0时，帧头后会有16bit=2byte的CRC）。

请注意，位置是从零开始的。位置，长度和例子是字节格式表示。下面表格是：VBRI Header

MP3的文件的内容组织结构

所以，总结起来，一般的MP3文件所包含的内容如 下：

注：[]号内的，表示，可选，即如果有的话。