Zapoznaj się również z: MP3 (ujednoznacznienie).

MP3 ((ang.) MPEG-1/MPEG-2 Audio Layer 3) – algorytm kompresji stratnej dźwięku, przetworzonego uprzednio na sygnał cyfrowy. Popularnie zwany formatem MP3 lub standardem MP3. Jest zdefiniowany przez IETF w dokumencie RFC 5219.

Informacje ogólne

Standardy MPEG-1 i MPEG-2 są przeznaczone do kompresji ruchomych obrazów oraz towarzyszącego im dźwięku. W ich realizacji wykorzystano algorytm zmodyfikowanej dyskretnej transformacji cosinusowej. Standardy te oferują możliwość kompresji strumienia danych reprezentującego dźwięk na trzy sposoby, tzw. warstwy (ang. layer): Layer 1, Layer 2 i Layer 3. Sposób "Layer 3", charakteryzujący się najwyższym stopniem kompresji i dobrą jakościa dźwięku, został następnie wykorzystany do zapisu (utrwalania) dźwięku cyfrowego jako format lub standard MP3.

Standard MP3 ujrzał światło dzienne w grudniu 1991 roku, przede wszystkim w ramach działań prowadzonych przez niemieckie stowarzyszenie naukowo-badawcze występujące pod nazwą Fraunhofer Institute. Przy tworzeniu jego pierwszej implementacji wykorzystano m.in. utwór Suzanne Vega pt. "Tom's Diner" w celu dostosowania rodzaju i stopnia kompresji do brzmienia ludzkiego głosu.

Pliki zawierające dane w tym formacie otrzymują zwyczajowo rozszerzenie "mp3".

Opis działania

Dźwięk może być zapisany na wiele różnych sposobów. Jednym z nich jest zmiana ciśnienia akustycznego w proporcjonalne zmiany napięcia elektrycznego lub natężenia prądu elektrycznego. Uzyskany w ten sposób dźwiękowy sygnał analogowy, może następnie zostać przekształcony do postaci cyfrowej. Przekształcenia dokonuje się za pomocą przetwornika analogowo cyfrowego, na którego wyjściu pojawia się sygnał cyfrowy. Podczas konwersji sygnału analogowego na cyfrowy należy mieć na uwadze twierdzenie Kotielnikowa-Shannona o próbkowaniu, które mówi, że częstotliwość próbkowania nie może być mniejsza niż podwojona szerokość pasma przetwarzanego sygnału. Przykładowo, w celu wykonania zapisu w popularnym standardzie CD-Audio, dźwięk w postaci sygnału analogowego jest przepuszczany przez filtr dolnoprzepustowy o odcięciu około 22kHz (ograniczenie pasma), a następnie próbkowany z częstotliwością 44,1 kHz co stanowi ok. 2,2 szerokości pasma akustycznego, wynoszącej 20 kHz, i rozdzielczością 16 bitów na próbkę. Wytwarza to strumień danych o wielkości ok. 1,5 Mb/s dla sygnału stereofonicznego. Aby zmniejszyć ilość danych należy zmniejszyć częstotliwość próbkowania lub rozdzielczość, bądź zastosować obydwie te metody. Jeśli zrobi się to w odpowiedni sposób, np. za pomocą odpwiedniego programu komputerowego, to zmiany mogą być niesłyszalne – na tym właśnie polega idea standardu MP3.

Standard MP3 wykorzystuje ponadto model psychoakustyczny w celu osiągnięcia pożądanego stopnia kompresjii stratnej. Polega to na tym, że zostają usunięte te informacje o dźwięku, które są niezauważalne lub mało istotne dla człowieka, w sensie odbioru słuchowego. Z modelu psychoakustycznego wynika, że człowiek najlepiej słyszy dźwięki w okolicach 2-4 kHz. Im częstotliwość dźwięku bardziej odbiega od tego pasma, tym słyszalność jest coraz gorsza. Zatem, jeżeli dźwięk, wraz z szumem kwantyzacji, będzie cichszy od dolnej granicy słyszalności, to nie będzie on słyszalny. Z tego wynika, że skrajne częstotliwości mogą zostać zapisane z mniejszą dokładnością, a więc przy mniejszej rozdzielczości bitowej. Ze wspomnianego modelu słyszenia wynika również zjawisko maskowania, czyli że dźwięki głośniejsze zagłuszają cichsze. Zatem, w pobliżu głośnych dźwięków (w pobliżu, tzn. podobna częstotliwość tuż przed i tuż po) również można zmniejszyć liczbę bitów, ponieważ szum kwantyzacji nie będzie słyszalny. Człowiek słyszy dźwięki o częstoliwości do 20 kHz, jednak w praktyce elektroakustycznej granicę tę określa się na poziomie 16 kHz – uwzględniono to również w standardzie MP3.

W pierwszym etapie konwersji na format MP3, wejściowy sygnał cyfrowy, pobrany np. z pliku w formacie WAV, o szerokości pasma 20 kHz, jest dzielony na 576, odpowiednio węższych pasm częstotliwościowych, za pomocą filtrów cyfrowych w procesie cyfrowego przetwarzania sygnałów. W rezultacie otrzymuje się 576 odrębnych sygnałów. Pasmo każdego z nich jest 576 razy węższe od wejściowej szerokości pasma, zatem do próbkowania można użyć odpowiednio niższej częstotliwości.

Program kodeka MP3 analizuje poszczególne pasma i na podstawie modelu psychoakustycznego określa z jaką dokładnością należy zakodować każde z nich i czy jest potrzeba uwzględnienia danego pasma. W ten sposób znacznie ograniczono ilość bitów potrzebnych do zakodowania, a szum kwantyzacji, mimo że znacznie większy niż w oryginale, jest tak ukształtowany, że jest niesłyszalny. Ponadto, powstałe dane zapisuje się w postaci zmiennoprzecinkowej, co dodatkowo zmniejsza ich rozmiar.

Tak przygotowane dane łączy się, dodając dane sterujące umożliwiające odkodowanie dźwięku i na końcu poddaje się je kompresji bezstratnej – powstaje plik dźwiękowy w formacie MP3.

Powyższy, wyidealizowany model kompresji stratnej jest możliwy do zrealizowania. Często jednak okazuje się, że użytkownik kodeka, wymuszając jego maksymalną przepływność, nie zapewnił warunków dla odpowiednio wiernego (dokładnego) zakodowania cyfrowego sygnału dźwiękowego. Dlatego, jeśli po kompresji okaże się, że rozmiar danych przekracza założenia, zmniejsza się liczbę bitów, w których koduje się pasma. Stąd najlepsze efekty jakościowe dają kompresory działające ze zmienną przepływnością, oszczędzając miejsce na dane, a zwiększając przepływność wtedy, gdy to jest konieczne. Subiektywna jakość dźwięku zależy ponadto od zastosowanego w kodeku modelu psychoakustycznego oraz od samego słuchacza. Jeśli jego słuch będzie bardzo odbiegał od modelu użytego w kodeku, oceniona jakość dźwięku może być odebrana jako znacznie różniąca się od oryginału.