MP3是如何骗过你耳朵的？

发表于 3年以前 | 总阅读数：557 次

应该有不少小伙伴拥有的第一个音乐播放器，就是 MP3 Player 吧，甚至在当年，大家都默认 MP3 就是音乐的代名词。

但同样是数字音频， MP3 只有标准 CD 大小的十二分之一，而对于人耳来说，这两者的区别，有，但要比图片压缩之类的要难以察觉的多了，所以它对音乐做了什么? 又丢掉了什么呢？

大家好我是差评君，今天跟大家聊聊你最常见到的音频格式——MP3。

MP3 到底丢失了什么？

压缩前后的区别是什么？

如果我们想减少一个文件的体积，最直接的方法就是压缩。

通常我们理解的压缩，都是重复压缩。比如你去超市买 5 瓶可口可乐，小票上不会写 5 次可乐，只用写“ 可口可乐*5 ”就行了。这个过程就相当于把文件里重复的部分用更短的字节编码。文件本身不会丢失数据，解码后也不会损耗任何信息，只是让文件体积变小了。

这是一种无损压损，实际上 MP3 的最后一步就是这么干的，它用一种叫 Huffman Coding 的算法来完成。但如果只用这种算法，MP3的体积并不会显著缩小。

因为声音本身是一种极其混乱，信息熵非常高的数据。所以这种方式不可能让它缩小到 CD 体积的 10 % 。

那既然无损压缩这条路走不通了，干脆就丢掉一些信息好了。

那 MP3 到底丢了哪些声音呢？

我们要想知道答案，最简单的方式就是对比。

我们把同一段声音的 MP3 和它的无损版本并列在两条轨道上，把其中一轨反相，那如果它俩的声音是一样的，就会互相抵消，我们就应该得到一个静音效果。这也是降噪耳机的工作原理。

但因为 MP3 是有损压缩，但只有这样我们还说不出 MP3 和无损的区别。如果一段音乐就是在 MP3 和无损之间不断切换的，你真的能区分的出来吗？我相信你是听不出来的。

这就是 MP3 算法的神奇之处，它的压缩并不是简单的丢掉声音数据，而是在丢掉数据的同时，你却察觉不到。

MP3诞生史

Brandenburg 和 Dieter Seitzer 的故事

70 年代末，有一个叫迪特·塞策（ Dieter Seitzer ）的德国教授突然冒出个超前的想法。他想让大家可以坐在家里，用 ISDN 的电话线，打电话来点播音乐，就跟点唱机差不多。

ISDN 是当时流行的数字线路，也叫“ 一线通 ”，你可以用它打电话、收发传真之类的，但它的速率只有128kbps 。

所以当迪特把这个想法申报专利的时候，专利局的工作人员告诉他这事儿没戏。除非你能让 ISDN 的网络速率提高十二倍，那才够传输 CD 的数据量。

迪特一听，提网速这事儿估计自己干不了，但如果发明出一种只有 CD 1/12 大小的音频格式，不就可以搞这个“ 数字点唱机 ”了吗。于是他转头把这个发明工作交给了自己一个叫 Karlheinz Brandenburg 的学生。

Brandenburg 的硕士论文研究方向是一个叫 ATC 的语音压缩算法，迪特也是看中了这点才找到他的。但 Brandenburg 接到这个任务的时候也很郁闷。

心想 tnnd 你一个教授都做不出来，我小小一博士生怎么做的出来，但导师交待的任务又不能不完成，所以他就打算用几年的时间来证明这事儿不可能，然后论文一写，把博士学位混到手算球！而就在他证明“ 不可能发明一个比 CD 小 12倍的音频文件 ”的过程中，他却发现，哎，这事还真是有可能的。

心理声学与MP3

让 Brandenburg 觉得这事儿有戏的关键，是一个极其冷门的学科，叫心理声学（ Psychoacoustics ）。

这是一门心理物理学的分支研究，最早源于人们对音乐和乐器的探索，后来成为了研究人的生理感官和客观声音世界之间关系的学科。听起来很复杂，其实很好理解，比如人耳的声音定位，听力范围这类研究，都属于心理声学的范畴。

在心理声学里有一个非常经典的研究，就是等响曲线。这个曲线告诉我们，人耳对于不同频率的声音，感知相差极大。人类的听觉范围在 20-20000Hz 之间，而在这个范围里的不同频率下，我们听到的响度是不一样的。

低频的声音需要更大的声压才能和中频较小的声压，所形成的声音大小听起来相等。

就比如贝斯就需要更大的音量，才能跟吉他声听起来差不多大。这也是为什么贝斯这类低音乐器的音箱要比其他音箱的体积大得多。

而图中的最低点出现在 3000Hz 左右，所以说明人对这个频率的声音最敏感，只需要比较小的声压就能听到。比如我们听到的大部分的警报声，基频都在 1000-3000Hz ，这样人耳才能更容易捕捉这些声音，从而避免危险。

有意思的是，随着年龄增大，我们对于声音的接收范围也在变小，大多数成年人听不到频率在 16000Hz 以上的声音。

沿着这个方向，等响曲线的发现者又研究出了一个更加神奇的事情，让我们意识到我们的感官和客观到底差距有多么巨大。

这个东西，就是“ 掩蔽 ”（ Masking ）。

声音掩蔽 Sound Masking

1958 年的某天下午，一个叫 Licklider 的心理学家去看牙医，他跟医生说，我不需要打麻药。然后掏出了一副耳机，开始听震耳欲聋的音乐。在巨大的音乐声中，牙医帮他搞定了三颗龋齿，而他就像被打了麻醉剂一样，竟然没有感觉到疼。

Licklider 把这项技术命名为 Audiac ，之后他带着这玩意和牙医一起巡诊拔牙，还帮助了不少妇女缓解了分娩时的疼痛。

Audiac 用了一种强烈的听觉刺激来抑制疼痛，这就是一种跨感官的掩蔽效果。

在听觉系统中，一种声音也会被另一种同时发出的声音所掩盖。比如在一个乐队里，往往是吉他声在 C 位，但如果突然有相似频率的乐器加入，比如小号。那吉他的声音就会被短暂的淹没。这一过程叫作同频掩蔽。

我们用一个动画来举例子，当一个频率从低到高的噪音经过一个正弦音的时候，这个声音会被噪音掩盖。

再比如你上课的时候，想用一声咳嗽来掩盖自己放屁的声音，那你最好要满足三个条件，一是咳嗽声的时长大于等于屁声，二是咳嗽声的响度要大于等于屁声。三是要保证二者的频率接近。这三个条件都满足，才是一次出色的掩蔽。

那这和 MP3 有什么关系呢？MP3 的算法就是利用了人耳的这种特性，将歌曲中不同频率里被淹没的声音瞬间，给丢掉了。这样就可以在减少文件体积的条件下，最小程度的损失音质。

时间掩蔽 temporal masking

但这还不够。

当我们听到一个噪音戛然而止的之后，实际上会有一个 100-200ms 的逐渐减弱的掩蔽效果。在噪音完全停止后的这段时间里，比他更小的声音会被掩蔽，我们是完全听不见的，就像我们的耳朵需要 200ms 的时间回复知觉一样。

不光如此，噪音还会掩蔽在它之前的声音，虽然只有 50ms，但对于感官来说已经是相当长的一段时间了，这意味着我们的大脑需要 50ms 的缓冲才能报告到意识里。

而这个前后过程，就叫作时间掩蔽。

MP3 压缩算法的核心，就是利用一个精心迭代了许多年的人体听觉心理学模型，把音乐里的每一个瞬间对应在 MP3 文件格式里的每一帧（ FRAME ），检查这个帧内，上述两种掩蔽作用所发生的频率和时间段，把那些被掩盖的，我们听不到的音频信息统统丢掉。

这个过程并不单纯是精确地，机械式地判断，它的底色其实是感官上的把控。

在 MP3 算法测试初期，测试人员需要在海量的歌曲中找出 MP3 压缩算法的问题。它们要在各种歌曲的 MP3 和无损版本之间对比，而且每听一首歌他们都要评级，一共有四个等级，分别是：听不出区别、有一点区别、有点难听和非常难听。特别是最后两个选项，可以说是非常主观的判断了。

这意味着 MP3 算法的发明和改进，实际上把人的主观评判作为考量的目标之一。我们不能说这种算法是完全主观的，它也不是绝对客观的，所以它的效果也不可能在所有歌曲中都是平均的。

Vega和音频编码标准之战

说到这，就不得不提 MP3 发明过程中的一个小故事。在 MP3 压缩算法测试的最后阶段曾遇到过一个大难题，当时 Brandenburg 和他的同事们觉得自己的算法已经非常牛逼了，几乎在所有的双盲测试中都很难听出区别。

有天他无意中看到杂志上说大家喜欢用 Suzanne Vega 的歌曲 Tom's Diner 来测试自己的音箱，而他正好在弗劳恩霍夫实验室（ Fraunhofer ）看到了这张 CD ,于是他就把这首歌上传到了电脑上。

这首歌非常简单，是一个纯人声，没有伴奏的歌曲。但当他通过 MP3 的压缩算法处理这首歌之后，却得到这样一个效果。

在 MP3 较低的比特率下，Vega 的声音变得沙哑，不自然。于是在之后的一年时间里，研发团队又对 MP3 算法做了几千次的微小调整， Brandenburg 说自己至少听了三千遍这首歌，可能比地球上任何人听得次数都多。

最后他们成功压缩了这首 Tom's Diner ，也通过这首歌，真正完善了 MP3 的压缩算法。

许多年之后，Brandenburg 真的遇到了 Vega ，而且还现场听她唱了那首Tom's Diner。尽管已经听了无数遍，但他说，这首歌依然很好听。

Brandenburg 终于在 1989 年发表了他的论文。下一步就是将这项技术推向世界。也就是在 90 年代初，业界突然出现好几种新兴技术，它们正在寻找一种新的音频编码标准来使用，这其中包括我们熟悉的“ CD-ROM ”和“ DVD ”。

于是他和他的团队向动态影像专家组（ MPEG ）提交了参赛作品，他们要和另外 13 个团队竞争新的音频编码标准。而最大的竞争对手来自一个名为 MUSICAM 的组织，这个组织的背后是飞利浦，当时飞利浦手握 CD 光盘的专利，可以说是如日中天。

所以尽管他们团队的技术数据量更小，音质也更强，但最后还是输给了 MUSICAM 。

因为MUSICAM 的算法需要的处理能力更少。在当时处理器普遍不太行的时代，确实更有优势。

因此在当年，MP3 是一个妥妥的失败品。连它的发明者也已经开始着手研究新的音频编码。MP3 就这样被扔进了历史的垃圾堆里。

直到 90 年代中期，两种革命性技术的诞生，让 MP3 这颗弃子重新活了过来，那就是万维网和 Windows 95。

一个同样来自德国的研发团队，开发了一种用于 MP3 的软件播放器，并且发布在了 Windows 系统上。

当时，1 GB 大小的硬盘刚刚开始普及，存储空间非常珍贵，反而处理器有了巨大的提升。所以体积更小的 MP3 慢慢被大家接受，也意外的成为了新的音频编码标准。1995年7月14日是 MP3 的生日，Karlheinz Brandenburg 和他在弗劳恩霍夫研究所的同事们（ Fraunhofer ）决定把这个压缩算法的文件扩展名，根据行业标准的全称 MPEG-2 Audio Layer III ，命名为 .MP3。

到了 90 年代后期，“ MP3 ”取代“ SEX ”成为搜索引擎上查询最多的词。某次 Brandenburg 在香港出差时，看到橱窗里摆着 30 种不同品牌的 MP3 播放器，他心想，“ 好吧，我们终于赢了。”