音频压缩计算

‘壹’ MP3文件的大小怎么计算的

数据量（字节/秒）=（采样频率（Hz）×采样位数（bit）×声道数）/8

利用 MPEG Audio Layer 3 的技术，将音乐以1:10 甚至 1:12 的压缩率，压缩成容量较小的文件，而对于大多数用户来说重放的音质与最初的不压缩音频相比没有明显的下降。

它是在1991年由位于德国埃尔朗根的研究组织Fraunhofer-Gesellschaft的一组工程师发明和标准化的。用MP3形式存储的音乐就叫作MP3音乐，能播放MP3音乐的机器就叫作MP3播放器。

(1)音频压缩计算扩展阅读：

MP3的功能越来越多，它与PDA、手机一样，都向多功能方面发展，尽可能吸收其它产品的功能，以便增加产品卖点。

1、可移动硬盘：电脑直接把MP3识别为一个移动存储器，可存放音乐以外的各种文件。

2、固件升级：解决发布产品后的己知软件、硬件故障，增加新功能。

3、文件夹浏览：按文件夹方式存储不同的歌曲，并且以此为单位播放，无须所有MP3都放于同一目录下面，提高管理易用性。

4、多国语言：主要支持中文简体、中文繁体、韩文、日文、英文，某些机型甚至有26国语言。

‘贰’ 音频视频压缩技术概述

数字技术的出现与应用为人类带来了深远的影响，人们如今已生活在一个几乎数字化的世界之中，而数字音频技术则称得上是应用最为广泛的数字技术之一，CD、 VCD等早已走进千家万户，数字化广播正在全球范围内逐步得到开展，正是这些与广大消费者密切相关的产品及应用成为了本文将要介绍的主题：数字音频压缩技术得以产生和发展的动力。

1、音频压缩技术的出现及早期应用

音频压缩技术指的是对原始数字音频信号流（PCM编码）运用适当的数字信号处理技术，在不损失有用信息量，或所引入损失可忽略的条件下，降低（压缩）其码率，也称为压缩编码。它必须具有相应的逆变换，称为解压缩或解码。音频信号在通过一个编解码系统后可能引入大量的噪声和一定的失真。

数字信号的优势是显而易见的，而它也有自身相应的缺点，即存储容量需求的增加及传输时信道容量要求的增加。以CD为例，其采样率为44.1KHz，量化精度为16比特，则1分钟的立体声音频信号需占约10M字节的存储容量，也就是说，一张CD唱盘的容量只有1小时左右。当然，在带宽高得多的数字视频领域这一问题就显得更加突出。是不是所有这些比特都是必需的呢？研究发现，直接采用PCM码流进行存储和传输存在非常大的冗余度。事实上，在无损的条件下对声音至少可进行4：1压缩，即只用25％的数字量保留所有的信息，而在视频领域压缩比甚至可以达到几百倍。因而，为利用有限的资源，压缩技术从一出现便受到广泛的重视。

对音频压缩技术的研究和应用由来已久，如A律、u律编码就是简单的准瞬时压扩技术，并在ISDN话音传输中得到应用。对语音信号的研究发展较早，也较为成熟，并已得到广泛应用，如自适应差分PCM（ADPCM）、线性预测编码（LPC）等技术。在广播领域，NICAM（Near Instantaneous Companded Audio Multiplex - 准瞬时压扩音频复用）等系统中都使用了音频压缩技术。

2、音频压缩算法的主要分类及典型代表

一般来讲，可以将音频压缩技术分为无损（lossless）压缩及有损（lossy）压缩两大类，而按照压缩方案的不同，又可将其划分为时域压缩、变换压缩、子带压缩，以及多种技术相互融合的混合压缩等等。各种不同的压缩技术，其算法的复杂程度（包括时间复杂度和空间复杂度）、音频质量、算法效率（即压缩比例），以及编解码延时等都有很大的不同。各种压缩技术的应用场合也因之而各不相同。

（1）时域压缩（或称为波形编码）技术是指直接针对音频PCM码流的样值进行处理，通过静音检测、非线性量化、差分等手段对码流进行压缩。此类压缩技术的共同特点是算法复杂度低，声音质量一般，压缩比小（CD音质> 400kbps），编解码延时最短（相对其它技术）。此类压缩技术一般多用于语音压缩，低码率应用（源信号带宽小）的场合。时域压缩技术主要包括 G.711、ADPCM、LPC、CELP，以及在这些技术上发展起来的块压扩技术如NICAM、子带ADPCM（SB-ADPCM）技术如G.721、 G.722、Apt-X等。

（2）子带压缩技术是以子带编码理论为基础的一种编码方法。子带编码理论最早是由Crochiere等于1976年提出的。其基本思想是将信号分解为若干子频带内的分量之和，然后对各子带分量根据其不同的分布特性采取不同的压缩策略以降低码率。通常的子带压缩技术和下面介绍的变换压缩技术都是根据人对声音信号的感知模型（心理声学模型），通过对信号频谱的分析来决定子带样值或频域样值的量化阶数和其它参数选择的，因此又可称为感知型（Perceptual）压缩编码。这两种压缩方式相对时域压缩技术而言要复杂得多，同时编码效率、声音质量也大幅提高，编码延时相应增加。一般来讲，子带编码的复杂度要略低于变换编码，编码延时也相对较短。

由于在子带压缩技术中主要应用了心理声学中的声音掩蔽模型，因而在对信号进行压缩时引入了大量的量化噪声。然而，根据人类的听觉掩蔽曲线，在解码后，这些噪声被有用的声音信号掩蔽掉了，人耳无法察觉；同时由于子带分析的运用，各频带内的噪声将被限制在频带内，不会对其它频带的信号产生影响。因而在编码时各子带的量化阶数不同，采用了动态比特分配技术，这也正是此类技术压缩效率高的主要原因。在一定的码率条件下，此类技术可以达到“完全透明”的声音质量（EBU音质标准）。

子带压缩技术目前广泛应用于数字声音节目的存储与制作和数字化广播中。典型的代表有着名的MPEG-1层Ⅰ、层Ⅱ（MUSICAM），以及用于Philips DCC中的PASC（Precision Adaptive Subband Coding，精确自适应子带编码）等。

（3）变换压缩技术与子带压缩技术的不同之处在于该技术对一段音频数据进行“线性”的变换，对所获得的变换域参数进行量化、传输，而不是把信号分解为几个子频段。通常使用的变换有DFT、DCT（离散余弦变换）、MDCT等。根据信号的短时功率谱对变换域参数进行合理的动态比特分配可以使音频质量获得显着改善，而相应付出的代价则是计算复杂度的提高。

变换域压缩具有一些不完善之处，如块边界影响、预回响、低码率时声音质量严重下降等。然而随着技术的不断进步，这些缺陷正逐步被消除，同时在许多新的压缩编码技术中也大量采用了传统变换编码的某些技术。

有代表性的变换压缩编码技术有DolbyAC-2、AT&T的ASPEC（Audio Spectral Perceptual Entropy Coding）、PAC（PerceptualAudioCoder）等。

3、音频压缩技术的标准化和MPEG-1

由于数字音频压缩技术具有广阔的应用范围和良好的市场前景，因而一些着名的研究机构和大公司都不遗余力地开发自己的专利技术和产品。这些音频压缩技术的标准化工作就显得十分重要。CCITT（现ITU-T）在语音信号压缩的标准化方面做了大量的工作，制订了如G.711、G.721、G.728等标准，并逐渐受到业界的认同。

在音频压缩标准化方面取得巨大成功的是MPEG-1音频（ISO/IEC11172-3）。在MPEG-1中，对音频压缩规定了三种模式，即层Ⅰ、层Ⅱ（即MUSICAM，又称MP2），层Ⅲ（又称MP3）。由于在制订标准时对许多压缩技术进行了认真的考察，并充分考虑了实际应用条件和算法的可实现性（复杂度），因而三种模式都得到了广泛的应用。VCD中使用的音频压缩方案就是MPEG-1层Ⅰ；而MUSICAM由于其适当的复杂程度和优秀的声音质量，在数字演播室、DAB、DVB等数字节目的制作、交换、存储、传送中得到广泛应用；MP3是在综合MUSICAM和ASPEC的优点的基础上提出的混合压缩技术，在当时的技术条件下，MP3的复杂度显得相对较高，编码不利于实时，但由于MP3在低码率条件下高水准的声音质量，使得它成为软解压及网络广播的宠儿。可以说，MPEG-1音频标准的制订方式决定了它的成功，这一思路甚至也影响到后面将要谈到的MPEG-2和MPEG-4音频标准的制订。

最新进展

1、多声道音频信号压缩与DolbyAC-3

随着技术的不断进步和生活水准的不断提高，原有的立体声形式已不能满足受众对声音节目的欣赏要求，具有更强定位能力和空间效果的三维声音技术得到蓬勃发展。而在三维声音技术中最具代表性的就是多声道环绕声技术。

更准确地说，环绕声应该是一种声音恢复形式，其新技术的含量实际表现在随着这种形式发展起来的一些数字压缩标准上。环绕声技术发展至今已相当成熟，已日渐成为未来声音形式的主流。有鉴于此，1992年CCIR（ITU-R）以建议的形式约定了多声道声音系统的结构及向下兼容变换的标准，即CCIR Recommendation 775。其中主要约定了大家熟知的5.1声道形式及7.1声道形式，而在对环绕声压缩的研究上也产生了许多专利技术，如DolbySurroundPro -Logic、THX、DolbyAC-3、DTS及MPEG-2等。这些技术在不同的场合，尤其是在影剧院、家庭影院系统，及将来的高清晰度电视（HDTV）等系统中得到广泛的应用。

（1）Dolby AC-3技术是由美国杜比实验室主要针对环绕声开发的一种音频压缩技术。在5.1声道的条件下，可将码率压缩至384kbps，压缩比约为10：1。Dolby AC-3最初是针对影院系统开发的，但目前已成为应用最为广泛的环绕声压缩技术之一。

Dolby AC-3是一种感知型压缩编码技术。

在Dolby AC-3中，音频输入以音频块为单位，块长度为512个样值，在48KHz采样率时即为10.66毫秒，各声道单独处理；音频输入在经过3Hz高通滤波器去除直流成分后，通过另一高频带通滤波器以检测信号的瞬变情况，并用它来控制TDAC变换的长度，以期在频域分辨率和时域分辨率之间得到最好的折中效果； TDAC变换的长度一般为512点，而数据块之间的重叠长度为256点，即TDAC每5.33毫秒进行一次；在瞬变条件下，TDAC长度被等分为256 点，这样DolbyAC-3的频域分辨率为93.75Hz，时域最小分辨率为2.67毫秒；在图1中的定点/浮点转换类似于MPEG-1中比例因子计算的作用，主要是为了获得宽的动态范围，而在分离后的指数部分经编码后则构成了整个信号大致的频谱，又被称为频谱包络；比特分配主要是通过计算解码后的频谱包络（视为功率谱密度）和掩蔽曲线的相关性来进行的；由于比特分配中采用了前/后向混合自适应比特分配以及公共比特池等技术，因而可使有限的码率在各声道之间、不同的频率分量之间获得合理的分配；在对尾数的量化过程中，可对尾数进行抖晃处理，抖晃所使用的伪随机数发生器可在不同的平台上获得相同的结果；AC -3的帧结构由同步字、CRC、同步信息（SI）、码流信息（BSI）、音频块和附加数据等组成，帧长度与TDAC变换的长度有关，在长度为512点时，帧长为32毫秒，即每秒31.25帧。

通过以上叙述可见，在Dolby AC-3中，使用了许多先进的、行之有效的压缩技术。如前/后向混合自适应比特分配、公共比特池、TDAC滤波、频谱包络编码、及低码率条件下使用的多声道高频耦合等。而其中许多技术对其它的多声道环绕声压缩技术的发展都产生了一定的影响。

可以说，AC-3的出现是杜比公司几十年来在声音降噪及编码技术方面的结晶（从一定的角度来看，编码技术实际上就是降低编码噪声影响的技术），在技术上它具有很强的优势。因而即使作为一项专利技术，DolbyAC-3仍然在影院系统、HDTV、消费类电子产品（如LD、DVD）及直播卫星等方面获得了广泛的应用，得到了众多厂商的支持，成为业界事实上的标准。

（2）MPEG-2BC（后向兼容方式），即ISO/IEC13818- 3，是另一种多声道环绕声音频压缩技术。早在1992年初，该方面的讨论工作便已初步开展，并于94年11月正式获得通过。MPEG-2BC主要是在 MPEG-1和CCIRRec.775的基础上发展起来的。与MPEG-1相比较，MPEG-2BC主要在两方面做了重大改进。一是支持多声道声音形式，二是为某些低码率应用场合，如多语声节目、体育比赛解说等而进行的低采样率扩展。同时，标准规定的码流形式还可与MPEG-1的第1和第2层做到前、后向兼容，并可依据CCIR Rec.775做到与双声道、单声道形式的向下兼容，还能够与Dolby Surround形式兼容。

在MPEG-2BC中，由于考虑到其前、后向兼容性以及环绕声音形式的新特点，在压缩算法中除承袭了MPEG-1的绝大部分技术外，为在低码率条件下进一步提高声音质量，还采用了多种新技术。如动态传输通道切换、动态串音、自适应多声道预测、中央声道部分编码(Phantom Coding of Center)、预编码(Predistortion)等。

然而，MPEG-2BC的发展和应用并不如MPEG-1那样一帆风顺。通过对一些相关论文的比较可以发现，MPEG-2BC的编码框图在标准化过程中发生了重大的变化，上述的许多新技术都是在后期引入的。事实上，正是与 MPEG-1的前、后向兼容性成为MPEG-2BC最大的弱点，使得MPEG-2BC不得不以牺牲码率的代价来换取较好的声音质量。一般情况下，MPEG -2BC需640kbps以上的码率才能基本达到EBU“无法区分”声音质量要求。由于MPEG-2BC标准化的进程过快，其算法自身仍存在一些缺陷。这一切都成为MPEG-2BC在世界范围内得到广泛应用的障碍。

（3）DVD（DigitalVersatileDisk）是新一代的多媒体数据存储和交换的标准。在视频DVD的伴音方式及音频DVD的声音格式选择上，AC-3和MPEG-2BC之间的争夺十分激烈，最后达成的协议如表1 所示。可见，多声道环绕声音频压缩技术标准亟待统一。

‘叁’ 音频文件存储容量计算

公式对的，但是计算是错的，正确计算应该是：

44.1*1000*16*2*5.5*60/8/1024/1024≈55.52MB。

不经过压缩，声音数据量的计算公式为：

数据量（字节/秒）=（采样频率（Hz）×采样位数（bit）×声道数）/8

(3)音频压缩计算扩展阅读：

举例：

1、请计算对于5分钟双声道、16位采样位数、44.1kHz采样频率声音的不压缩数据量是多少？

根据公式：数据量=（采样频率×采样位数×声道数×时间）/8

得，数据量（MB）=[44.1×1000×16×2×(5×60)] /(8×1024×1024)=50.47MB

计算时要注意几个单位的换算细节：

时间单位换算：1分=60秒

采样频率单位换算：1kHz=1000Hz

数据量单位换算：1MB=1024×1024=1048576B

‘肆’ 怎么计算音频文件的压缩率

直接查看就可以。压缩率就是压缩后文件大小(以常见的mp3为例)和压缩前文件(音频处理的压缩前文件，一般用无损文件，比如cd wav文件)大小的比率。mp3一般是1: 10。

在使用 Adobe Photoshop之类的图像处理软件保存时，可供选择的JPEG文件的压缩率是1-12，数值越低，图像文件就越小，其压缩率越高，对照片质量的影响就越大。

(4)音频压缩计算扩展阅读：

图像压缩方式：

在图像质量以及占用存储卡或电脑硬盘的存储空间方面，文件格式的选择具有很重的角色。需要注意的重要一点是，当保存图像的时候，有些格式会自动压缩文件。

图像压缩有两种形式：有损压缩和无损压缩。有损压缩格式压缩的图像信息通常都会有损失，导致图像的质量下降，文件压缩得越小，损失的信息就越多。

‘伍’ 关于音频压缩比 码率

应该是没有
具体的计算吧但是这么想。电脑上最高质量保真的格式是pcm编码他的码率是1411.2kbps之间比较下吧。还有这个本身就有问题。cd音质就双声道128kbps？胡闹！就算是最高码率的MP3
320kbps和cd之间还差的很远呢

‘陆’ 声音文件存储量的计算公式

不经过压缩，声音数据量的计算公式为：

数据量（字节/秒）=（采样频率（Hz）×采样位数（bit）×声道数）/8

(6)音频压缩计算扩展阅读

AAC实际上高级音频编码的缩写。AAC是由Fraunhofer IIS-A、杜比和AT&T共同开发的一种音频格式，它是MPEG-2规范的一部分。AAC所采用的运算法则与MP3的运算法则有所不同，AAC通过结合其他的功能 来提高编码效率。

AAC的音频算法在压缩能力上远远超过了以前的一些压缩算法（比如MP3等）。它还同时支持多达48个音轨、15个低频音轨、更多种采样率和比特率、多种语言的兼容能力、更高的解码效率。总之，AAC可以在比MP3文件缩小30%的前提下提供更好的音质。

数字音频以音质优秀、传播无损耗、可进行多种编辑和转换而成为主流，并且应用于各个方面。

常见到的MP3、WMA、OGG被称为有损压缩，有损压缩顾名思义就是降低音频采样频率与比特率，输出的音频文件会比原文件小。

另一种音频压缩被称为无损压缩，能够在100%保存原文件的所有数据的前提下，将音频文件的体积压缩的更小，而将压缩后的音频文件还原后，能够实现与源文件相同的大小、相同的码率。

无损压缩格式有APE、FLAC、WavPack、LPAC、WMALossless、AppleLossless、TTA、Tak、TAC、La、OptimFROG、Shorten，而常见的、主流的无损压缩格式有APE、FLAC、TTA、TAK。

WAV一般CD可以抓取该格式音乐。但是由于体积较大且属于未压缩的原始音频，所以一般可压缩转换为体积较小的FLAC或者APE。注：wav仍然属于无损格式，后两者则为无损压缩格式

‘柒’ 数字音频压缩的主要基本算法有哪些

WAV：无损
是微软公司开发的一种声音文件格式，它符合 PIFFResource Interchange File Format 文件规范，用于保存WINDOWS平台的音频信息资源，被WINDOWS平台及其应用程序所支持。“*.WAV”格式支持MSADPCM、CCITT A LAW等多种压缩算法，支持多种音频位数、采样频率和声道，标准格式的WAV文件和CD格式一样，也是44.1K的采样频率，速率88K/秒，16位量化位数，看到了吧，WAV格式的声音文件质量和CD相差无几，也是目前PC机上广为流行的声音文件格式，几乎所有的音频编辑软件都“认识”WAV格式。
这里顺便提一下由苹果公司开发的AIFF（Audio Interchange File Format）格式和为UNIX系统开发的AU格式，它们都和和WAV非常相像，在大多数的音频编辑软件中也都支持它们这几种常见的音乐格式。
MP3：流行
MP3格式诞生于八十年代的德国，所谓的MP3也就是指的是MPEG标准中的音频部分，也就是MPEG音频层。根据压缩质量和编码处理的不同分为3层，分别对应 “*.mp1"/“*.mp2”/“*.mp3”这3种声音文件。需要提醒大家注意的地方是：MPEG音频文件的压缩是一种有损压缩，MPEG3音频编码具有10：1~12：1的高压缩率，同时基本保持低音频部分不失真，但是牺牲了声音文件中12KHz到16KHz高音频这部分的质量来换取文件的尺寸，相同长度的音乐文件，用＊.mp3格式来储存，一般只有＊.wav文件的1/10，而音质要次于CD格式或WAV格式的声音文件。由于其文件尺寸小，音质好；所以在它问世之初还没有什么别的音频格式可以与之匹敌，因而为＊.mp3格式的发展提供了良好的条件。直到现在，这种格式还是风靡一时，作为主流音频格式的地位难以被撼动。但是树大招风，MP3音乐的版权问题也一直是找不到办法解决，因为MP3没有版权保护技术，说白了也就是谁都可以用。
MP3格式压缩音乐的采样频率有很多种，可以用64Kbps或更低的采样频率节省空间，也可以用320Kbps的标准达到极高的音质。我们用装有Fraunhofer IIS Mpeg Lyaer3的 MP3编码器（现在效果最好的编码器）MusicMatch Jukebox 6.0在128Kbps的频率下编码一首3分钟的歌曲，得到2.82MB的MP3文件。采用缺省的CBR（固定采样频率）技术可以以固定的频率采样一首歌曲，而VBR（可变采样频率）则可以在音乐“忙”的时候加大采样的频率获取更高的音质，不过产生的MP3文件可能在某些播放器上无法播放。我们把VBR的级别设定成为与前面的CBR文件的音质基本一样，生成的VBR MP3文件为2.9MB。
MIDI：作曲家最爱
经常玩音乐的人应该常听到MIDI（Musical Instrument Digital Interface）这个词，MIDI允许数字合成器和其他设备交换数据。MID文件格式由MIDI继承而来。MID文件并不是一段录制好的声音，而是记录声音的信息，然后在告诉声卡如何再现音乐的一组指令。这样一个MIDI文件每存1分钟的音乐只用大约5～10KB。今天，MID文件主要用于原始乐器作品，流行歌曲的业余表演，游戏音轨以及电子贺卡等。＊.mid文件重放的效果完全依赖声卡的档次。＊.mid格式的最大用处是在电脑作曲领域。＊.mid文件可以用作曲软件写出，也可以通过声卡的 MIDI口把外接音序器演奏的乐曲输入电脑里，制成＊.mid文件。
WMA：最具实力
WMA (Windows Media Audio) 格式是来自于微软的重量级选手，后台强硬，音质要强于MP3格式，更远胜于RA格式，它和日本YAMAHA公司开发的VQF格式一样，是以减少数据流量但保持音质的方法来达到比MP3压缩率更高的目的，WMA的压缩率一般都可以达到1：18左右，WMA的另一个优点是内容提供商可以通过DRM（Digital Rights Management）方案如Windows Media Rights Manager 7加入防拷贝保护。这种内置了版权保护技术可以限制播放时间和播放次数甚至于播放的机器等等，这对被盗版搅得焦头乱额的音乐公司来说可是一个福音，另外 WMA还支持音频流(Stream) 技术，适合在网络上在线播放，作为微软抢占网络音乐的开路先锋可以说是技术领先、风头强劲，更方便的是不用象MP3那样需要安装额外的播放器，而 Windows操作系统和Windows Media Player的无缝捆绑让你只要安装了windows操作系统就可以直接播放WMA音乐，新版本的Windows Media Player7.0更是增加了直接把CD光盘转换为WMA声音格式的功能，在新出品的操作系统Windows XP中，WMA是默认的编码格式，大家知道Netscape的遭遇，现在“狼”又来了。WMA这种格式在录制时可以对音质进行调节。同一格式，音质好的可与CD媲美，压缩率较高的可用于网络广播。虽然现在网络上还不是很流行，但是在微软的大规模推广下已经是得到了越来越多站点的承认和大力支持，在网络音乐领域中直逼＊.mp3，在网络广播方面，也正在瓜分Real打下的天下。因此，几乎所有的音频格式都感受到了WMA格式的压力。
RealAudio：流动旋律
RealAudio主要适用于在网络上的在线音乐欣赏，现在大多数的用户仍然在使用56Kbps或更低速率的Modem，所以典型的回放并非最好的音质。有的下载站点会提示你根据你的Modem速率选择最佳的Real文件。现在real的的文件格式主要有这么几种：有RA（RealAudio）、 RM（RealMedia，RealAudio G2）、RMX（RealAudio Secured），还有更多。这些格式的特点是可以随网络带宽的不同而改变声音的质量，在保证大多数人听到流畅声音的前提下，令带宽较富裕的听众获得较好的音质。
近来随着网络带宽的普遍改善，Real公司正推出用于网络广播的、达到CD音质的格式。如果你的RealPlayer软件不能处理这种格式，它就会提醒你下载一个免费的升级包。许多音乐网站 提供了歌曲的Real格式的试听版本。现在最新的版本是RealPlayer 11。
VQF：无人问津
雅马哈公司另一种格式是＊.vqf，它的核心是减少数据流量但保持音质的方法来达到更高的压缩比，可以说技术上也是很先进的，但是由于宣传不力，这种格式难有用武之地。＊.vqf可以用雅马哈的播放器播放。同时雅马哈也提供从＊.wav文件转换到＊.vqf文件的软件。 此文件缺少特点外加缺乏宣传，现在几乎已经宣布死刑了。
OGG：新生代音频格式
ogg格式完全开源，完全免费， 和mp3不相上下的新格式。 与MP3类似，OGGVorbis也是对音频进行有损压缩编码，但通过使用更加先进的声学模型去减少损失，因此，相同码率编码的OGGVorbis比MP3音质更好一些，文件也更小一些。另外，MP3格式是受专利保护的。发布或者销售MP3编码器、MP3解码器、MP3格式音乐作品，都需要付专利使用费。而OGGVorbis就完全没有这个问题。目前，OGGVorbis虽然还不普及，但在音乐软件、游戏音效、便携播放器、网络浏览器上都得到广泛支持。
FLAC：自由无损音频格式
FLAC即是Free Lossless Audio Codec的缩写，中文可解为无损音频压缩编码。FLAC是一套着名的自由音频压缩编码，其特点是无损压缩。不同于其他有损压缩编码如MP3 及AAC，它不会破坏任何原有的音频资讯，所以可以还原音乐光盘音质。现在它已被很多软件及硬件音频产品所支持。FLAC是免费的并且支持大多数的操作系统，包括 Windows，基于Unix内核而开发的系统 (Linux， *BSD，Solaris，OSX，IRIX)，BeOS，OS/2，Amiga。并且FLAC提供了在开发工具 autotools，MSVC，Watcom C，ProjectBuilder上的build系统。
APE：最有前途的网络无损格式
APE是目前流行的数字音乐文件格式之一。与MP3这类有损压缩方式不同，APE是一种无损压缩音频技术，也就是说当你将从音频CD上读取的音频数据文件压缩成APE格式后，你还可以再将APE格式的文件还原，而还原后的音频文件与压缩前的一模一样，没有任何损失。APE的文件大小大概为CD的一半，但是随着宽带的普及，APE格式受到了许多音乐爱好者的喜爱，特别是对于希望通过网络传输音频CD的朋友来说，APE可以帮助他们节约大量的资源。
作为数字音乐文件格式的标准，WAV格式容量过大，因而使用起来很不方便。因此，一般情况下我们把它压缩为MP3或 WMA 格式。压缩方法有无损压缩，有损压缩，以及混成压缩。MPEG， JPEG就属于混成压缩，如果把压缩的数据还原回去，数据其实是不一样的。当然，人耳是无法分辨的。因此，如果把 MP3， OGG格式从压缩的状态还原回去的话，就会产生损失。
然而APE压缩格式即使还原，也能毫无损失地保留原有音质。所以，APE可以无损失高音质地压缩和还原。当然，目前只能把音乐CD中的曲目和未压缩的WAV文件转换成APE格式，MP3文件还无法转换为APE格式。事实上APE的压缩率并不高，虽然音质保持得很好，但是压缩后的容量也没小多少。一个34MB的WAV文件，压缩为APE格式后，仍有17MB左右。对于一整张CD来说，压缩省下来的容量还是可观的。
APE的本质，其实它是一种无损压缩音频格式。庞大的WAV音频文件可以通过Monkey's Audio这个软件压缩为APE。很多时候它被用做网络音频文件传输，因为被压缩后的APE文件容量要比WAV源文件小一半多，可以节约传输所用的时间。更重要的是，通过Monkey's Audio解压缩还原以后得到的WAV文件可以做到与压缩前的源文件完全一致。所以APE被誉为“无损音频压缩格式”，Monkey''s Audio被誉为“无损音频压缩软件”。与采用WinZip或者WinRAR这类专业数据压缩软件来压缩音频文件不同，压缩之后的APE音频文件是可以直接被播放的。Monkey's Audio会向Winamp中安装一个“in_APE.dll”插件，从而使Winamp也具备播放APE文件的能力。同样foobar2000，以及千千静听也能支持APE的播放。

‘捌’ 音频数据计算

数据量（字节/秒）= (采样频率（Hz）*采样位数（bit）*声道数)/ 8 声卡对声音的处理质量可以用三个基本参数来衡量，即采样频率、采样位数和声道数。

采样频率是指单位时间内的采样次数。采样频率越大，采样点之间的间隔就越小，数字化后得到的声音就越逼真，但相应的数据量就越大。声卡一般提供11.025kHz、22.05kHz和44.1kHz等不同的采样频率。

一般获取音频数据的方法是：采用固定的时间间隔，对音频电压采样（量化），并将结果以某种分辨率（例如：CDDA每个采样为16比特或2字节）存储。

采样的时间间隔可以有不同的标准，如CDDA采用每秒44100次；DVD采用每秒48000或96000次。因此，采样率，分辨率和声道数目（例如立体声为2声道）是音频文件格式的关键参数。

(8)音频压缩计算扩展阅读

在电脑上录音的本质就是把模拟声音信号转换成数字信号。反之，在播放时则是把数字信号还原成模拟声音信号输出。

采集卡的位是指采集卡在采集和播放声音文件时所使用数字声音信号的二进制位数。采集卡的位客观地反映了数字声音信号对输入声音信号描述的准确程度。8位代表2的8次方--256，16位则代表2的16次方--64K。

有损文件格式是基于声学心理学的模型，除去人类很难或根本听不到的声音，例如：一个音量很高的声音后面紧跟着一个音量很低的声音。MP3就属于这一类文件。

无损的音频格式（例如FLAC）压缩比大约是2：1，解压时不会产生数据/质量上的损失，解压产生的数据与未压缩的数据完全相同。如需要保证音乐的原始质量，应当选择无损音频编解码器。例如，用免费的FLAC无损音频编解码器你可以在一张DVD-R碟上存储相当于20张CD的音乐。

有损压缩应用很多，但在专业领域使用不多。有损压缩具有很大的压缩比，提供相对不错的声音质量。

‘玖’ 音频压缩原理

音频压缩的原理
转自http://forums.dearhoney.idv.tw/viewtopic.php?t=24378

引用:
音讯资料因为其资料内容的特性，以传统的压缩法难达到很高的压缩率，不过我们人耳并没有无限的时间分辨率和频率分辨率，其实原始的音乐讯号中包含了很多我们听不到的资料，把这些对我们来讲其实无意义的资讯给去掉，这样就可以达到很高的压缩率。这种利用人类 感官知觉的特性作的失真压缩法，就叫做 perceptual coding。
人耳的生理结构，由外耳的耳壳收集外界的声波到达中耳的耳膜产生震动，经由三块小骨连接前庭窗传入内耳，其中由于耳壳的内凹形状，外耳道的长度和宽度.. 等等生理的构造，会对不同频率产生共振升压的效果，尤其是 2~5Khz 的频率，会在这个过程中被放大。人耳听觉频率的范围，大约是 20~20KHz，音量范围则是 130dB SPL，大于 130dB 会产生痛苦的感觉，小于 0dB 则会被当成是静音。如上所述，人耳对 2~5KHz 的频率最敏感，越往高频感觉越不敏锐，音量要超过一定的界限以上查能被我们人耳察觉，这个最低可以听闻的界限，叫做 ATH（absolute threshold of hearing）。内耳的耳蜗有许多绒毛细胞，分别会对不同的频率产生反应，将基底膜淋巴液的波动转换成神经的电流讯号，传达给大脑。也就是说耳蜗的作用就像一个频谱分析仪，把声波转换成不同频率的讯号，每一个特定位置的绒毛细胞会受特定频率的刺激，但是当基底膜传导波动时其邻近周围的绒毛细胞也会受到刺激。这也就是说如果有一个频率的音量很大，在它附近同时有一个比较弱的频率的话，比较弱的频率的声音就会被比较强的声音给遮蔽掉，我们人耳没有办法分办出有另一个比较弱的频率的声音存在。这个遮蔽的作用叫 frquency masking。另外从基底膜受到声音震动到达稳定状态，还有声音结束后完全停止，中间都需要一段时间。所以如果有一个很大声的声音出现，在这个声音开始之前，到这个声音结束之后，有一段时间我们是听不到其他声音的，这种遮蔽效应，我们称为 temporal masking，之前的叫 pre-masking，之后的叫 post-masking。
前面提到耳蜗就像一部频谱分析仪，或者说像一个 band pass filter，会把声音分成许多不同的次频带，每个频带里都有一个中心频率，越往两边遮蔽的效果就越弱，在同一个频带里面的频率会互相影响，我们对他们的感知特性也十分的接近，这种人耳知觉特性的频带，我们称为 critical band。critical band 的宽度并不是都相等的，低频的部分比较窄，高频的部分则比较宽，总共分成 26 个 critical band。
除了人耳的生理结构特性以外，大脑的作用也占了一个很重要的角色。我们都知道音高是由基音决定，而音色是由泛音决定，我们很惊讶的发现，人类的大脑会自动补上基音，即使这个基音并不存在。譬如说电话的频宽只有 300~3200Hz，但是当我们听一个基音在 120Hz 的男性讲电话的时候，我们还是可以听出他的正确的音高，不会把男生听成女生。大脑是如何运用复杂的计算去重建这个不存在的基音，我们目前尚无法得知。

经过长期的实验和观察，我们可将人耳的听觉特性定性，建立一个人耳的听觉模型，叫做 psychoacoustic model。有了这些对人耳知觉特性的了解，我们就可以根据这些理论来压缩音讯资料，把我们听不到的声音去掉。
说是去掉，实际上是怎么做的呢？
要将无限的连续的类比讯号转变为有限的离散的数位资料，中间必须经过取样和量化的手续。譬如说现在量化的位阶只有 0~8 九个数字，每一个位阶的间隔大小是一格，对一个 4.9 的讯号作量化，得到的数字是 5，和原来 4.9 相差 0.1，这个误差叫做量化噪音。假设我们把量化的位阶减少到 5 个，分别等于原来 0~8 的 0, 2, 4, 6, 8 这几个数字，位阶的间隔大小扩大变成二格，此时再对 4.9 量化，量化的结果是 4，误差扩大到 0.9，也就是说量化的位阶越少，量化的间隔就越大，量化噪音也就越大。
我们做一个实验，把 16bit 的声波档转为 8bit，当场丢掉一半的资讯，档案也就小了一半，最简单的失真压缩不过我们观察频谱发现，减少量化的 bit 数产生的量化噪音，会造成全频带都水平上升一定杂讯，你如果听这个 8bit 的声波档，会发现背景充满沙沙沙的噪音，这就是因为量化误差产生的量化噪音。
那我们会想，这样全频带都减少一定的 bit 数太没有效率，为什么不把他分成好几个频带（critical band），再根据人耳的心理声学模型的遮蔽效应，对不同频带分配不同的 bit 数，让各个频带产生的量化噪音低于遮蔽效应的曲线以下，这样这些产生的量化噪音我们就听不到，对知觉来说等于是无失真压缩，这样岂不更好？

所以我们就把压缩的工作分成两个部分，一个部分将原来的 PCM data 经过 band pass filter 分成好几个 subband 次频带，另一个部分就是心理声学模型，分析频谱，找出遮蔽效应的曲线，然后根据这个曲线，对每个 subband 分别量化，决定分配的 bit 数，让产生的量化噪讯低于遮蔽效应的曲线，使量化的失真不会被人耳听到，这样就大功告成了

然后接下来要说的就是这个最复杂的心理声学模型是怎么工作的.... ^^;

怎么讲一讲变成这麼长 ^^;;
都还没进入主题...
我是要解释什么是 scale factor，这个牵扯到量化的过程，还有 short block 和 long block，这个牵扯到心理声学模型的判断和 MDCT window 大小的转换，主要目的是解决 pre-echo 的问题，结果越讲越多... ><
看的人就忍耐一下吧... -_-;;;

前面说到心理声学模型是如何工作的。ISO MPEG1 Audio 提供了两个心理声学模型，分别是 psychoacoustic model 1 和 2，model 2 比 model 1 要来得复杂，但是判断的效果较好。两个声学模型可以用在任何一个 layer，layer 1~3（MPEG1 layer 3 = MP3）。不过我们通常是将 model 1 用在 MP1 和 MP2，model 2 用在 MP3。不过当然也有例外，譬如说有一个特殊版本的 toolame（压 MP1, MP2 最好的 encoder）就是改用 model 2 的心理声学模型而不用 model 1。
MPEG1 Audio 压缩的时候一边是用一个 polyphase filter bank，将 PCM data 分成好几个"等宽的" subband 等待进一步量化压缩，一边是 psychoacoustic model，使用 512（MP1）或 1024（MP2/MP3）point（取 512/1024 个 sample 计算，或者说 window size=512/1024）的 FFT 转换，将 PCM data 转换到频率域，进行频谱分析。之所以另外使用 FFT 来分析，是因为 FFT 有比较好的频率分辨率，计算各个频率的遮蔽效应时会比较精确。然后 psychoacoustic model 会将频率按照 critical band（人耳听觉特性的频带）分为好几组，计算各个 critical band 的遮蔽曲线。在计算遮蔽曲线时，第一件要做的工作是区分哪些频率的声音是 tone，哪些频率的声音是 noise。为什么要这麼区分呢？因为根据实验发现这两种声音的遮蔽能力不一样，noise 具有比 tone 更强的遮蔽效应。这边会提到两个名词，一个是 TMN（Tone Mask Noise），tone 遮蔽 noise 的能力，单位是 dB，比较弱，另一个是 NMT（Noise Mask Tone），noise 遮蔽 tone 的能力，比较强。这两个名词很眼熟吗？MP+/MPC 就有提供让使用者修改这两个参数的设定。调降这两个参数，会减低 tone 和 noise 的遮蔽能力，整个遮蔽曲线会往下降，可以容忍的量化噪音就比较低，量化噪音必须减少，分配的 bit 数就必须增加，所以 MP+/MPC 调低这两个参数，bitrate 会往上窜升，但是量化杂讯也会随之减少。

在判断哪些声音是 tone，哪些声音是 noise，model 1 和 model 2 采用不同的方法。model 1 是寻找区域范围内，音量最大的频率，把这个频率当作 tone，因为 tone 通常是一定的区域范围内音量最大的。其他剩下的部分就当成是 noise，加起来以一个单一的频率代表。
model 2 的作法则不是去区分 tone 和 non-tone（noise），而是给每个频率一个 tone index，由 0~1，index 数字越大，代表这个频率越像 tone，根据这个 index 的比例大小，分别计算他们的遮蔽影响力，这样是不是更精确呢。那要怎么判断某个频率有多像 tone 呢？ model 2 是用 predict 的方法。predict 的意思是以现在的状态，去预测下一个状态是什么。在这里 model 2 会储存过去的两个分析过的 window 频谱，根据频谱的变化，来判断哪些频率有多像 tone。因为 tone 的声音会具有可预测性，前后的变化会有高度的关联性，不会随机的杂乱跳动。根据前后的频谱变化，model 2 更可以准确的分办出 tone 和 noise。

找出 tone 和 noise 以后，接着把不重要没有意义的 tone/noise 去掉，譬如说两个 tone 靠近，一强一弱，或是低于 ATH 绝对听觉极限以下的 tone/noise，都可以把他去掉。然后计算剩下来的 tone/noise 的遮蔽效应，求出每个 critical band 的遮蔽曲线，最后在合并这些曲线，找出全体的遮蔽曲线。
实际上 psychoacoustic model 会计算一个数值，然后把这个数值传给量化阶段的程式，让量化阶段的程式知道这个频带可以允许的量化噪音是多少，该分配多少的 bit 数。这个传给量化程式的参数叫做 SMR（Signal to Mask Ratio）。
很眼熟的名词对不对
SMR=SNR-NMR
MP+/MPC/Lame 可以让你自行设定 minimum SMR 的底线是多少。
前面提过，MPEG1 Audio 在分成好几个 subband 准备做量化的时候，用的是"等宽"的 filter bank，这和我们人耳特性的 critical band 不同，由下图可以看出，低频的部分一个 subband，包含了好几个 critical band。到了高频的时候，好几个 subband 包含在一个 critical band 里面。这样心理声学模型计算出来的各个 critical band 的 SMR 要怎么给呢？
model 1 是取 subband 涵盖的范围中，最小的 SMR。这麼做在低频的时候，会将好几个 critical band 的 SMR 取其最小的一个给 subband，因为 subband 包含了好几个 critical band，如果用这几个 critical band 中最大的 SMR，将会有部分频率的遮蔽效应会估计错误，所以为了妥协，只好取最小的。高频的时候则是好几个 subband 共用一个 SMR。model 1 有一个致命伤，就是高频的时候，前面我们说过 model 1 每个 critical band 的 noise 是以一个总和集中的频率代表，现在这个 critical band 横跨好几个 subband，以这个中央代表的 noise 频率计算出来的 SMR，就无法适用在每个 subband 里面。（距离中央越远的就越不正确）
model 2 低频的时候取最小的 SMR，和 model 1 一样，高频的时候则是取 critical band 好几个 SMR 的平均值给 subband。model 2 不用集中式的 noise，而是用 tone index 的方式来计算 tone 和 noise 的遮蔽效应，所以在高频的时候会比 model 1 精确。

好了，心理声学模型不能再讲下去了，头晕了... @_@

图... 有机会再补 ^^;

终于进入主题了：MDCT 和 Quantization（量化）。
前面提到我们将 PCM data 分成好几个 subband 等待心理声学模型的判断，做进一步的量化压缩，这种压缩法我们叫做 subband coding。这个 filter 我们用的是 polyphase filter bank，将 PCM data 分成 32 个等宽的 subband。这个 ployphase filter bank 有几个缺点：
1. 它是有失真的 filter，也就是说，还没有做会失真的量化步骤，经过 filtering 以后的 subsample 立刻将它还原回 PCM data，结果就已经和原来不一样了。不过这个失真很小（小于 0.07dB）所以对品质不会有太大的伤害。
2. 它是等宽的频带，不符合人耳听觉特性的 critical band，对后续量化阶段的处理不利
3. 它的截止点平缓，所以当输入频率很靠近截止点的时候，相邻的两个 subband 会发生 aliasing（或者说 overlap，.....请看图...有机会再补....-_-;;）

MP1 一个 frame 384 个 sample，MP2 和 MP3 用 1152 个 sample，而且 MP3 会将 polyphase filter bank 切出来的 32 个 subband 的 sample，再用 MDCT 转换，进一步划分成更细的频带，提高对频率的分辨率。这个将原本资料转换到另一个空间之后再进行压缩的方法，我们称为 transform coding。因为MP3 混合了 subband filterbank 和 MDCT，所以我们把 MP3 的这个 filtering 的过程称为 Hybird Filterbank。
MDCT 之后，可以运用 butterfly 的计算，消除 polyphase filter bank 产生的 aliasing。
不过成也 MDCT 败也 MDCT，经过这个 MDCT 转换之后，资料会完全丧失时间的资讯。什么是丧失时间资讯？我们回头来说 FFT。
做 FFT 计算的时候，window size 越大（取进来计算的 sample 越多），对频率的分解能越强，频率的计算越精确。但是这些 PCM data 的 sample 是照时间排列的，对 44.1KHz 的 PCM 一次取 32768 个 sample 进来计算，如果不用 overlap，则你的频率分辨率（ie. spectral line resolution）是 1.346Hz，而时间分辨率只有 1sec * 32768/44100 = 743.04msec，你看不到小于 735.61msec 的频率变化的过程。频率分辨率和时间分辨率两个量无法同时求得精确的值，时间越精确（取进来计算的 sample 越少），频率解析就越差，频率越精确（取进来计算的 sample 越多），时间解析就越差。
MP3 经由 polyphase filter bank 之后转 MDCT 的过程如下
1. 1152 个 PCM sample 分成两个部分，各 576 个 sample，称为一个 granule。
2. 这 576 个 sample 送进 polyphase filter bank，输出 32 sample（按频率顺序）x 18 组（按时间排序）
3. 重排为 18 个 sample（按时间排序）x 32 组（按频率排序）
4. 每一组中的 18 个 sample 为时间顺序，加上前面一次转换的 18 个 sample，总共 36 个 sample 送进去做 MDCT 转换（所以 MDCT window 有 50% 的 overlap 重叠）
5. 转出来为 18 个 sepctral line（按频率排序）x 32 组（按频率排序）

好复杂吗？ ^^;
总之 MDCT 转换完以后，时间资讯就不见了（每一个都是 spectral line，都是频率资讯，不过频率资讯更细了）。
丢掉时间资讯会有什么影响呢？
假设现在转换的这一块声音区块前面是很微弱的声音，到后面突然出现音量急遽升高的情形，譬如说鼓手突然开始打鼓，这种波形我们称为“attack”：突然拉起的波形。遇到这种情况心理声学模型会很笨的认为这个区块里面有很强的 masker，可以提供很高的遮蔽曲线，所以可以允许较大的量化失真，因此量化的步骤就会给比较少的 bit。MDCT 一次转换就是取 576 个 sample，这个 block 的长度，同时也就是时间的长度，所以一次死就死全部的 block，量化失真产生的 noise 会扩散到整个 block 的长度范围（也就是时间范围），所以前面声音很微弱的区段，也会发生这些量化噪音，想当然尔，原来微弱的音量根本无法遮蔽掉这些量化噪音，如果后面大音量区段的 pre-masking 前遮蔽曲线也不够遮蔽这些 noise，我们就会听到这些量化噪音了，那么心理声学模型也就破功了。
这种压缩瑕疵叫做 pre-echo。

这个道理类似 JPEG 图档的压缩瑕疵，JPEG 一次转换是拿 8x8 的区块去做 DCT 转换，遇到区块内包含锐利的边缘、线条（有很多的高频成分）的时候，经过 DCT 转换，高频的量化失真会扩散到整个 8x8 的像素区块，所以我们常常看到 JPEG 或 MPEG 档案画面上锐利线条的周围（譬如说文字的周围）会有那种斑斑点点，破碎的压缩瑕疵，这就是因为一次死死全部，整个区块都完蛋的关系。

MP+/MPC 因为不用 transform coding，不做 MDCT 转换，所以他的 pre-echo 的问题比较小，观察 MPC 压出来的波形，几乎看不到 pre-echo 的压缩瑕疵。
一个相反的例子，MPEG2 AAC/MPEG4 AAC 完全不用 subband filterbank，直接做 MDCT 转换（前置有一个 gain-control），不过 AAC 有一套对付 pre-echo 的 tool（或者叫 mole）叫做 TNS，可以用来解决 pre-echo 的问题。

这个，越扯越远，写不完了 ><
解决 pre-echo 的方法下次继续....

‘拾’ 声音文件大小计算方法

 声卡对声音的处理质量可以用三个基本参数来衡量，即采样频率、采样位数和声道数。
采样频率是指单位时间内的采样次数。采样频率越大，采样点之间的间隔就越小，数字化后得到的声音就越逼真，但相应的数据量就越大。声卡一般提供11.025kHz、22.05kHz和44.1kHz等不同的采样频率。
采样位数是记录每次采样值数值大小的位数。采样位数通常有8bits或16bits两种，采样位数越大，所能记录声音的变化度就越细腻，相应的数据量就越大。
采样的声道数是指处理的声音是单声道还是立体声。单声道在声音处理过程中只有单数据流，而立体声则需要左、右声道的两个数据流。显然，立体声的效果要好，但相应的数据量要比单声道的数据量加倍。
不经过压缩声音数据量的计算公式为：
数据量（字节/秒）= (采样频率（Hz）*采样位数（bit）*声道数)/ 8
其中，单声道的声道数为1，立体声的声道数为2。

 应用举例
【例1】请计算对于5分钟双声道、16位采样位数、44.1kHz采样频率声音的不压缩数据量是多少？
解：
根据公式：
数据量=（采样频率×采样位数×声道数×时间）/8
得，数据量=[44.1×1000×16×2×（5×60）] /（8×1024×1024）
=50.47MB
因此，声音的不压缩数据量约为50.47MB。
计算时要注意几个单位的换算细节：
时间单位换算：1分=60秒
采样频率单位换算：1kHz=1000Hz
数据量单位换算：1MB=1024×1024=1048576B

【例2】请计算对于双声道立体声、采样频率为44.1kHz、采样位数为16位的激光唱盘（CD-A），用一个650MB的CD-ROM可存放多长时间的音乐。
解：
已知音频文件大小的计算公式如下：
文件的字节数/每秒=采样频率（Hz）采样位数（位）声道数/8
根据上面的公式计算一秒钟时间内，采样频率为44.1kHz、采样位数为16位，双声道立体声激光唱盘（CD-A）的不压缩数据量。
(44.1×1000×16×2)/8=0.168MB/s
那么，一个650MB的CD-ROM可存放的时间为 （650/0.168）/（60×60）=1.07小时，答约1个小时即可。

思考题
如果采样速率为22.05kHz，分辨率为32位，单声道，上述条件符合CD质量的红皮书音频标准，录音的时间长度为10秒的情况下，文件的大小为多少?
参考答案：882KB。