【文章內(nèi)容簡介】 碼設(shè)計的國際標(biāo)準(zhǔn)，主要用于在 CD－ ROM（包括 Video－CD、 CD－ I 等）存儲彩色的同步運(yùn)動視頻圖像 。 在音頻壓縮標(biāo)準(zhǔn)化方面取得巨大成功的是 MPEG1 音頻（ ISO/IEC111723）。在 MPEG1中，對音頻壓縮規(guī)定了三種模式，即層 Ⅰ 、層 Ⅱ （即 MUSICAM，又稱 MP2），層 Ⅲ （又稱MP3）。 MP3 的全名是 MPEG Audio Layer3，簡單的說就是一種聲音文件的壓縮格式。 1987 年德國的研究機(jī)構(gòu) IIS(Institute Integrierte Schaltungen)開始著手一項聲音編碼及數(shù)字音 頻 廣播的計劃，名稱叫做 EUREKA EUl47，即 MP3 的前身。之后，這項計劃由 IIS 與 Erlangen 大學(xué)共同合作，開發(fā)出一套非常強(qiáng)大的算法，經(jīng)由 150 國際標(biāo)準(zhǔn)組織認(rèn)證之后， 符合 ISOMPEG Audio Layer3 標(biāo)準(zhǔn)， 就成為現(xiàn)在的 MP3。 ISO/MPEG 音頻壓縮標(biāo)準(zhǔn)里包括了三個使用高性能音頻數(shù)據(jù)壓縮方法的感知編碼方案 (perceptual coding schemes) 。按照壓縮質(zhì)量 (每 Bit 的聲音效果 )和編碼方案的復(fù)雜程度分別是 Layer Layer Layer 3。 所有這三層的編碼采用的基本結(jié)構(gòu)是相同的。它們在采用傳統(tǒng)的頻譜分析和編碼技術(shù)的基礎(chǔ)上還應(yīng)用了子帶分析和心理聲學(xué)模型理論。也就是通過研究人耳和大腦聽覺神經(jīng)對音頻失真的敏感度，在編碼時先分析聲音文件的波形，利用濾波器找此資料來自 臺商訊息網(wǎng) , 大量管理資料下載 5 出噪音電平 ( Noise Level )，然后濾去人耳不敏感的信號， 通過矩陣量化的方式將余下的數(shù)據(jù)每一位打散排列，最后編碼形成 MPEG 的文件。而 音質(zhì)聽起來與 CD 相差不大。 MP3 的好處在于大幅降低數(shù)字聲音文件的容量，而不會破壞原來的音質(zhì)。以 CD 音質(zhì)的Wave 文件來說，如抽樣分辨率為 l6bit，抽樣頻率 ，聲音模式為立體聲，那么存儲 l秒鐘 CD 音質(zhì)的 Wave 文件，必須要用 l6 bit * 44100 Hz * 2 Stereo = 1411200 bit，也就是相當(dāng)于 的存儲容量，存儲介質(zhì)的負(fù)擔(dān)相當(dāng)大。不過通過 MP3 格式壓縮后，文件便可壓縮為原來的 1/10 到 l/12，每 l 秒鐘的 MP3 只需大約 112128kbit 就可以了。 具體的 MPEG 的壓縮等級 與壓縮比 率參見下表 [2]： 表 MPEG 編碼等級 壓縮比率 數(shù)字流碼率 Layer 1 1:4 384 kbit/s Layer 2 1:6 – 1:8 192256 kbit/s Layer 3 1:10 – 1:12 128154 kbit/s MP3 格式的文件有一個有意思的特征，就是可以邊讀邊放 ，這也符合流媒體的最基本特征。也就是說播放器可以不用預(yù)讀文件的全部內(nèi)容就可以播放，讀到哪里播放到哪里，即使是文件有部分損壞。雖然 mp3 可以有文件頭，但對于 mp3 格式的文件卻不是很重要，正因為這種特性，決定了 MP3 文件的每一段每一幀都可以單獨的平均數(shù)據(jù)速率，而無需特別的解碼方案。于是出現(xiàn)了一種叫 VBR（ Variable bitrate，動態(tài)數(shù)據(jù)速率）的技術(shù)，可以讓 MP3文件的每一段甚至每一幀都可以有單獨的 bitrate，這樣做的好處就是在保證音質(zhì)的前提下最大程度的限制了文件的大小。這種技術(shù)的優(yōu)越性是顯而易見的 ，但要運(yùn)用確實是一件難事，因為這要求編碼器知道如何為每一段分配 bitrate，這對沒有波形分析的編碼器而言，這種技術(shù)如同虛設(shè)。正是如此， VBR 技術(shù)并沒有一出現(xiàn)就顯得光彩奪目。 聽覺模型的導(dǎo)入：專家們通過長期的聲學(xué)研究，發(fā)現(xiàn)人耳存在遮蔽效應(yīng)。聲音信號實際是一種能量波，在空氣或其他媒介中傳播，人耳對聲音能量的多少即響度或聲壓最直接的反應(yīng)就是聽到這個聲音的大小，我們稱它為響度，表示響度這種能量的單位為分貝（ dB）。即使是同樣響度的聲音，人們也會因為它們頻率不同而感覺到聲音大小不同。人耳最容易聽到的就是 4000Hz 的頻率，不管頻率是否增高或降低，即使是響度在相同的情況下，大家都會覺得聲音在變小。但響度降到一定程度時，人耳就聽不到了，每一個頻率都有著不同的值。 此資料來自 臺商訊息網(wǎng) , 大量管理資料下載 6 圖 聽覺中響度與頻率之間的關(guān)系 [2] 可以看到這條曲線基本成一個 V 字型，當(dāng)頻率超過 15000Hz 時，人耳的會感覺到聲音很小，很多聽覺不是很好的人，根本就聽不到 20200Hz 的頻率，不管響度有多大。當(dāng)人耳同時聽到兩個不同頻率、不同響度的聲音時，響度較小的那個也會被忽略，例如：在白天我們很難聽到電腦中散熱風(fēng)扇的聲音，晚上卻成了噪聲源，根據(jù)這種原理，編碼器可以過濾掉很多聽不到的聲音，以簡化信息復(fù)雜度，增加壓縮比，而不明顯的降低音質(zhì)。這種遮蔽被稱為同時遮蔽效應(yīng)。但聲音 A 被聲音 B 遮蔽，如果 A 處于 B 為中心的遮蔽范圍內(nèi)，遮蔽會更明顯 ,這個范圍叫臨界帶寬。每一種頻率的臨界帶寬都不一樣，頻率越高的臨界帶寬越寬。 對音頻的壓縮理論，是從研究人耳的聽感系統(tǒng)開始的，首先第一個特點是人耳對各頻率的 靈敏度是不同的，在 2K~4K 頻段，很低的電平就能被人耳聽到，其他頻段時，相對要高一點的電平才能聽到，這就是說在聽覺閾值以下的電平可以去掉，相當(dāng)于壓縮了數(shù)據(jù)。第二個特點就是頻率之間的掩蔽效應(yīng)，其實就是指人耳接收信號時，不同頻率之間的相互干擾。當(dāng)電平高的頻率點和電平相對來說較低的不同頻率點同時出現(xiàn)時，電平低的頻率點的聲音將聽不到。因為人耳的靈敏度不一樣，所以不同頻率點的掩蔽程度是不一樣的。低于掩蔽閾值的信號將不編碼，高于掩蔽閾值的信號將重新分配量化比特值，實施壓縮，這是 MPEG 能得到較高的壓縮比，又能保證音質(zhì)的 重要原因。第三個特點是指短暫掩蔽效應(yīng)，指在一個強(qiáng)信號之前或之后的弱信號，也會被遮蔽掉。這樣利用人耳的感覺特性，對數(shù)據(jù)流本身進(jìn)行壓縮，做到既能降低碼流，又能通過科學(xué)的壓縮方法提高碼流的效率，而又不影響音質(zhì)本身。完全了解了人耳的特性后，就會知道人耳實際上可看成一個多頻段的聽感分析器，在接收端的最后，它對瞬間的頻譜功率進(jìn)行了重新分配，這就為音頻的數(shù)據(jù)壓縮提供了依據(jù)。 MPEG1 的壓縮技術(shù)方案是子帶壓縮，子帶分割的實現(xiàn)是通過時頻映射，采用多相正交分解濾波器組將數(shù)字化的寬帶音頻信號分成 32 個子帶；同時 ，信號通過 FFT 運(yùn)算，對信號進(jìn)行頻譜分析；子帶信號與頻譜同步計算，得出對各子帶的掩蔽特性，由于掩蔽特性的存在，減少了對量化比特率的要求，不同子帶分配不同的量化比特數(shù)，但對于各子帶而言，是線性量化。另上 CRC 校驗碼，得到標(biāo)準(zhǔn)的 MPEG 碼流。在解碼端，只要解幀，子帶樣值解碼，最后進(jìn)行頻 —— 時映射還原，最后輸出標(biāo)準(zhǔn) PCM 碼流。其原理方框圖如圖 所示 [2]： 圖 MPEG 聲音編碼原理 下面詳細(xì)介紹層Ⅰ、層Ⅱ、層Ⅲ的具體方案。 層Ⅰ： 時頻映射：數(shù)字的多相正交濾波器組把信號分成 32 個子帶信號， 因為層Ⅰ是均勻的劃分，所以每個子帶頻寬為 24K/32=625HZ。這種劃分與關(guān)鍵頻寬段的概念不一樣，在低端只有一個子帶 625HZ，這樣對低頻的量化比較簡單，容易引起低頻端的量化誤差。 心理聲學(xué)模型：使用 512 個點的 FFT 變換得到信號的短時頻譜功率信息，輸出的電平和時此資料來自 臺商訊息網(wǎng) , 大量管理資料下載 7 頻映射的子帶樣值同步計算，得到每個子帶的掩蔽閾值。最后將該子帶的最大信號 /掩蔽閾值率輸入給量化器。 量化 /編碼：首先檢測每個子帶的樣值，找到最大相對值，并且將它 6 比特量化，對該子帶來講叫比例因子。通過最小化噪音 /掩蔽值，由比例因子決定動態(tài) 量化比特數(shù)，將該子帶值樣值線性量化。量化比特數(shù)用一個 4 位碼來描述， 4 位碼可以用來描述 24=16bit，最大16bit 的量化。比例因子用 6 位碼來描述，最大 26=64 的子帶樣值的系數(shù)。這樣每個子帶用的量化比特數(shù)和每個子帶的最大樣值都在 MPEG 的碼流里，在接收端再按照這些信息還原原信號的幅值。 幀形成：每一幀的開始都有一個同步的信息，還有 CRC 的循環(huán)冗余糾錯碼。幀是 MPEG1處理的最小單元，一幀信號處理 384 個 PCM 的樣值，因為要檢測每個樣值的大小后，才能開始處理，所以延時時間 384/48K=8ms。一 幀相當(dāng)于 8ms 的聲音樣本。一個子帶所得碼流的結(jié)構(gòu)如表 所示 [1]： 表 同步頭 CRC 比特分配信息 比例因子 樣值數(shù)據(jù) 12 bit 同步 16 bit 4 bit 線性描述 6bit 線性描述 一個子帶樣值對應(yīng)32 個 PCM輸入樣值 20bit 系統(tǒng)信息 層Ⅱ 時頻映射：和層Ⅰ類似，不同之處在于每個子帶不是均勻頻帶寬，因為人耳低頻時的靈敏度在 700HZ 以后急劇降低。與之相關(guān)的一個概念叫關(guān)鍵帶寬，因為在同樣的掩蔽值時，低頻有窄的帶寬，而高頻端則有較寬的帶寬。這樣，在按關(guān)鍵帶 寬分割時，低頻取的帶寬窄，即意味著對低頻有較高頻率分辨率，在高頻端時則相對有較低一點的分辨率。這樣的分配，更符合人耳的靈敏度特性，可以改善對低頻端壓縮編碼的失真。但這樣做，需要較復(fù)雜一些的濾波器組。 心理聲學(xué)模型：和層Ⅰ類似，但是使用的 FFT 精度高一些，是 1024 點的 FFT 運(yùn)算方式，提高了頻率的分辨率，得到原信號的更準(zhǔn)確瞬間頻譜特性。 量化 /編碼：和層Ⅰ類似。但是層Ⅱ的幀長度碼流是層Ⅰ的三倍，所以層Ⅱ允許每個子帶有三個連續(xù)的比例因子，但編碼時用一、二個或者三個，由它們之間的差別來定。子帶內(nèi)有三個比例因子，這 就意味著帶內(nèi)再進(jìn)行動態(tài)比特分配，更增加了 MPEG1 的壓縮率。 幀形成：和層Ⅰ不一樣的是，描述比特分配的比特位數(shù)是不一樣的。在低端子帶用 4 位碼來描述，相對低端子帶量化比特數(shù)最大為 24=16bit，在中間子帶用 3 位碼描述，相對中間子帶比特最大為 23=8bit，高端子帶用 2 位碼來描述，相對最大比特為 22=4bit，這種分頻率不同而比特率不一樣的做法，也是關(guān)鍵帶寬的應(yīng)用。層Ⅱ的幀碼流是 1152 個 PCM 的樣值，這樣層Ⅱ處理的延時時間 =1152/48K=24ms。這樣對層Ⅱ的精確度為 24ms，而對于層Ⅰ來言，精確度為 8ms，如果用于編輯的話，層Ⅰ更精確。層Ⅱ標(biāo)準(zhǔn)碼流信號如表 所示 [1]： 表 同步頭 CRC 比特分配 比例因子 子帶樣值碼 12bit 同步碼 20bit 系統(tǒng)信息碼 16bit 低頻端 4 位碼描述 6 比特線性量化 三個子帶樣值 對應(yīng) 96 個 PCM 輸入樣值 中間頻端 3 位碼描述 高頻端 2 位碼描述 層Ⅲ 此資料來自 臺商訊息網(wǎng) , 大量管理資料下載 8 層Ⅲ比層Ⅱ更為復(fù)雜，它使用了多相正交濾波器組之外，還使用了 DCT 變換濾波器組，提高頻率的分辨率，還應(yīng)用了預(yù)測心理聲學(xué)模式，使用更為復(fù)雜的量化和編碼，允許不同的幀碼流 。這樣對Ⅲ層而言，需要更快的數(shù)字信號處理器才能達(dá)到實時編碼的要求。另外還使用了一些新的方案： 1） 用冗余字節(jié)以作為緩沖用，因為有些音樂小節(jié)是無法將其按限定的碼率來編碼的，否則會損失其音質(zhì)。為了保證其質(zhì)量就需要用較高的碼率。在 MP3 的碼流中就增加了一些冗余的字節(jié)，以便在需要的時候可以在短時間內(nèi)提到較高的碼率。 2） Ⅲ中，還采用了 Huffman 編碼進(jìn)行無損壓縮，這就更進(jìn)一步降低了數(shù)碼率，提高了壓縮比，據(jù)估計，采用 Huffman 編碼以后，可以節(jié)省 20%的碼率。 例如，：經(jīng)過分析， 32 個子帶的 16 個子帶的 最高樣值電平如表 所示 [1]： 表 子帶 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 電平（ db） 0 8 12 10 6 2 10 60 35 20 15 2 3 5 3 1 如表中第 8 個子帶有一個強(qiáng)度為 60db 的 1KHZ 信號，通過心理聲學(xué)模式計算出它的掩蔽閾值，在整個第八子帶都有掩蔽效應(yīng)，其門限為 35db，這樣本子帶的信噪比為 S/N=6035=25db，因而 5bit 分辨率就足夠了。同樣，這種掩蔽也存在于鄰近的子帶中，在第 8~13，和第 5~7子帶都 有掩蔽效應(yīng)，只是信號頻率離得越近，掩蔽效應(yīng)就越