MP3 算法基本原理：从波形物理到心理声学

Sat, 04 Apr 2026 00:00:00 +0000

在数字音频讨论里，MP3 常被简单归类为“有损=音质差”。但在高码率（如 320kbps）场景下，很多听众在规范 ABX 测试中并不能稳定区分它和 44.1kHz/16bit 无损源。

这背后的关键不是“MP3 做到了物理无损”，而是它把误差控制在人耳不敏感或被掩蔽的区域。换句话说，MP3 的核心思路不是尽量复制全部波形细节，而是优先保证主观可听质量。

核心前提：心理声学与掩蔽

MP3 依赖两条基本事实：

输入 PCM 后，编码器通常并行进行：

先把宽频带信号切成 32 个子带，便于后续分频处理。这一步时间分辨率较好，但频率分辨率仍偏粗。

编码器通过频谱分析估计：

注意：这条通路主要提供“决策依据”，不是直接输出最终编码数据。

对子带信号进一步做 MDCT，得到更细粒度的频域系数（长窗常见 576 线，瞬态短窗模式下结构会变化）。

这些系数才是后续量化与码率分配的直接对象。

编码器需要同时满足两件事：

一个常见参考量是信掩比：

$$ SMR = E_{signal} - T_{mask} $$

其中 $E_{signal}$ 表示信号能量（通常以 dB 度量），$T_{mask}$ 表示该频段掩蔽阈值。

实现上通常是迭代搜索：

量化后大量系数变小或归零，再进行哈夫曼编码，用更短码字表示高频出现符号，进一步压缩数据体积。该步骤本身是无损的。

将主数据、比例因子、侧信息、帧头等按标准格式打包，形成连续 MP3 帧。

MP3 的工程价值在于：它不是“简单删细节”，而是结合听觉模型做受控失真，让失真尽可能落在人耳不敏感区域。

因此，高码率 MP3 往往能在体积和主观听感之间取得很高的性价比。它不是物理意义上的无损，但在很多实际聆听条件下可以达到接近透明的结果。