音视频入门基础：AAC专题（3）—

=================================================================

音视频入门基础：AAC专题系列文章：

音视频入门基础：AAC专题（1）——AAC官方文档下载

音视频入门基础：AAC专题（2）——使用FFmpeg命令生成AAC裸流文件

音视频入门基础：AAC专题（3）——AAC的ADTS格式简介

音视频入门基础：AAC专题（4）——ADTS格式的AAC裸流实例分析

音视频入门基础：AAC专题（5）——FFmpeg源码中，判断某文件是否为AAC裸流文件的实现

音视频入门基础：AAC专题（6）——FFmpeg源码中解码ADTS格式的AAC的Header的实现

音视频入门基础：AAC专题（7）——FFmpeg源码中计算AAC裸流每个packet的size值的实现

音视频入门基础：AAC专题（8）——FFmpeg源码中计算AAC裸流AVStream的time_base的实现

音视频入门基础：AAC专题（9）——FFmpeg源码中计算AAC裸流每个packet的duration和duration_time的实现

音视频入门基础：AAC专题（10）——FFmpeg源码中计算AAC裸流每个packet的pts、dts、pts_time、dts_time的实现

=================================================================

一、引言

AAC（Advanced Audio Coding）有两种格式：

1.ADIF（Audio Data Interchange Format，音频数据交换格式）：整个流中只包含一个Header（文件头），不能在任意处读取。这种格式基本用不到。

2.ADTS（Audio Data Transport Stream，音频数据传输流）：每一帧的音频压缩数据包中都有一个Header，记录音频的采样率、通道数等参数，使得解码可以在流的任何位置开始。所以一般都是用ADTS包装的AAC。

这两种格式的Header不一样，本系列主要针对ADTS格式的AAC进行讲解。首先我们从《音视频入门基础：AAC专题（1）——AAC官方文档下载》下载AAC的标准文档《ISO_IEC_13818-7_2006(E).pdf》和《ISO14496-3-2009.pdf》，以及MP3的标准文档《ISO11172-3.pdf》。现在一般都是用MPEG-4的AAC，所以我们主要阅读《ISO14496-3-2009.pdf》，但是对于从MPEG-2中继承下来的属性，我们需要翻阅《ISO_IEC_13818-7_2006(E).pdf》，对于从MP3中继承下来的属性，我们需要翻阅《ISO11172-3.pdf》。

注：《ISO_IEC_13818-7_2006(E).pdf》总共有202页，《ISO14496-3-2009.pdf》总共有1416页，下面的页数是指在pdf阅读器中显示的页数：

二、ADTS格式的Header

（一）ADTS Header的基本概念

根据《ISO14496-3-2009.pdf》第121页，ADTS序列（ADTS流）由一个个adts音频帧（adts音频压缩数据包）组成。使用syncword分割各个adts音频帧：

根据《ISO14496-3-2009.pdf》第29页，syncword为嵌入在ADTS流中的一种编码，用于标识ADTS音频帧的起始位置：

根据《ISO14496-3-2009.pdf》第122页，adts_variable_header中的number_of_raw_data_blocks_in_frame属性的值为0的情况下，每个adts帧由adts_fixed_header（固定头）、adts_variable_header（可变头）、adts_error_check（错误校验）、raw_data_block（原始数据块）组成：

其中，ADTS Header由adts_fixed_header、adts_variable_header和adts_error_check组成。根据《ISO14496-3-2009.pdf》第123页，adts_fixed_header中的protection_absent属性的值为0时，adts_error_check才会存在CRC校验。所以当protection_absent为0时，adts_error_check占16位（2字节），当protection_absent不为0时，adts_error_check占0位（0字节）：

adts_fixed_header固定占28位，adts_variable_header也占28位。所以当protection_absent为0时，ADTS Header占9字节；protection_absent不为0时，ADTS Header占7字节。

（二）adts_fixed_header

根据《ISO14496-3-2009.pdf》第122页，adts_fixed_header包含的属性如下。从下表中可以看到每个属性占的位数，这些属性加起来总共占28位，所以adts_fixed_header固定占28位：

根据《ISO14496-3-2009.pdf》第32页，bslbf（bit string，left bit first）表示比特串，左位在先。

uimsbf（unsigned integer，most significant bit first）表示无符号整数，高位在先。具体可以参考：《uimsbf和 bslbf的含义》：

syncword：占12位。关于syncword属性的值的描述，在《ISO14496-3-2009.pdf》中并没有提到，但是在《ISO_IEC_13818-7_2006(E).pdf》可以找到关于它的说明。从上文我们可以知道，syncword为嵌入在ADTS流中的一种编码，用于标识ADTS帧的起始位置。根据《ISO_IEC_13818-7_2006(E).pdf》第45页，，syncword的每个位都必须被设置为1，也就是0b111111111111：

ID：占1位。根据《ISO14496-3-2009.pdf》第124页，ID为MPEG版本的标识符。如果ADTS流中的音频数据是MPEG-2 AAC，ID被设置为1，如果音频数据是MPEG-4 AAC，其被设置为0：

layer：占2位。根据《ISO_IEC_13818-7_2006(E).pdf》第45页，layer总被设置为00：

protection_absent：占1位。根据《ISO_IEC_13818-7_2006(E).pdf》第45页，protection_absent表示CRC校验是否存在。从上文可以知道，当protection_absent为0时，CRC校验存在，当protection_absent为1时，CRC校验不存在：

profile_ObjectType：占2位。根据《ISO14496-3-2009.pdf》第124页，MPEG版本为MPEG-4时，如果profile_ObjectType为0，AAC的规格为AAC Main；如果profile_ObjectType为1，规格为AAC LC；如果profile_ObjectType为2，规格为AAC SSR；如果profile_ObjectType为3，规格为AAC LTP：

samplingFrequencyIndex：占4位。根据《ISO14496-3-2009.pdf》第59页，samplingFrequencyIndex表示音频的采样频率：

private_bit：占1位。《ISO_IEC_13818-7_2006(E).pdf》和《ISO14496-3-2009.pdf》里面没有对其进行任何说明。在《ISO_IEC_13818-7_2006(E).pdf》第46页，写了想要了解private_bit属性得查阅标准文档《ISO/IEC 11172-3》：

所以我们从https://csclub.uwaterloo.ca/~pbarfuss/ISO11172-3.pdf 下载《ISO11172-3.pdf》，在其第23页终于找到关于private_bit属性的说明了，意思就是private_bit没用：

channel_configuration：占3位。根据《ISO14496-3-2009.pdf》第60页。channel_configuration表示音频声道数。比如channel_configuration值为1表示是单声道（center front speaker）；值为2表示是双声道（left, right front speakers）；值为3：三声道（center, left, right front speakers）；值为4：四声道（center, left, right front speakers, rear surround speakers）；值为5：五声道（center, left, right front speakers, left surround, right surround rear speakers）；值为6： 5.1声道（center, left, right front speakers, left surround, right surround rear speakers, front low frequency effects speaker)；值为7：7.1声道（center, left, right center front speakers, left, right outside front speakers, left surround, right surround rear speakers, front low frequency effects speaker)；值为8到15：保留：

original_copy：占1位。该属性继承自mp3里的copyright属性。根据《ISO11172-3.pdf》第24页，如果这个比特位等于0，则表示编码的比特流没有版权，1表示版权受保护：

home：占1位。该属性继承自mp3里的original/home属性。根据《ISO11172-3.pdf》第24页，如果比特流是一个拷贝，home的值为0，如果是原始比特流，则值为1：

（三）adts_variable_header

根据《ISO14496-3-2009.pdf》第122页，adts_variable_header包含的属性如下。从下表中可以看到每个属性占的位数，这些属性加起来总共占28位，所以adts_variable_header固定占28位：

copyright_identification_bit：占1位。根据《ISO_IEC_13818-7_2006(E).pdf》第46页，copyright_identification_bit为72位版权标识字段中的一位：

copyright_identification_start：占1位。根据《ISO_IEC_13818-7_2006(E).pdf》第46页，copyright_identification_start表示copyright_identification_bit音频帧是72位版权标识的第一位。如果没有版权标识传输，此位应保留' 0 '：

aac_frame_length：占13位。根据《ISO_IEC_13818-7_2006(E).pdf》第46页，aac_frame_length为整个ADTS音频帧的长度，包含ADTS Header、错误校验和AAC原始数据块，单位为字节：

adts_buffer_fullness：占11位。根据《ISO_IEC_13818-7_2006(E).pdf》第46页至47页，adts_buffer_fullness为在adt编码过程中，比特储存的状态。如果值为0x7FF，表示比特流是可变速率比特流：

number_of_raw_data_blocks_in_frame：占2位。根据《ISO_IEC_13818-7_2006(E).pdf》第47页，一个ADTS音频帧中有number_of_raw_data_blocks_in_frame + 1个AAC原始数据块。number_of_raw_data_blocks_in_frame的值为0表示该ADTS音频帧中只有一个AAC原始数据块：

三、AAC的samples

根据《ISO14496-3-2009.pdf》第9页，对于标准的MPEG-2/4 AAC，其samples（一帧音频数据中采样的次数）为1024或者960次：

根据《ISO14496-3-2009.pdf》第46页，规格为AAC LC和AAC LTP的AAC，一帧音频数据中采样的次数只允许为1024次：

至于AAC的samples啥时候为960次，我浏览了AAC的标准文档，在里面并没有找到相关说明，AAC的Header中也没有属性用来标识samples是1024还是960次。在微软的官方文章《AAC 解码器》中说明了Microsoft Media Foundation AAC 解码器仅支持1024个样本帧，也就是AAC解码器仅支持的samples为1024不支持960：

我浏览了国外论坛的某些文章《Topic: AAC decoding with a free Windows Library?》、《Support of AAC with 960 samples/frame》，里面写到AAC（AAC Main、AAC LC、AAC SSR、AAC LTP）的samples是1024，而DAB+（AAC+、HE AAC v2）的samples是960。所以可以认为目前约定俗成是：AAC（AAC Main、AAC LC、AAC SSR、AAC LTP）的samples是1024，而DAB+（AAC+、HE AAC v2）的samples是960。

这个samples（一帧音频数据中采样的次数）非常重要，用于计算一个adts音频帧（adts音频压缩数据包）的时长，具体可以参考：《FFmpeg源码：get_audio_frame_duration、av_get_audio_frame_duration2、av_get_audio_frame_duration函数分析》。

四、AAC的Bit depth

Bit depth（又叫位深度、位元深度、采样深度、采样位数、采样格式）是用于编码每个样本的数字信息位数。简单来说，位元深度衡量的是“精度”。Bit depth越高，信号就越能准确地表示实际模拟声源的振幅。使用最低可能的Bit depth，我们只有两种选择来测量声音的精度：0表示完全静音，1表示最高音量。Bit depth越高，对音频编码的精度越高。举个例子：CD质量的音频的Bit depth是标准的16位，有216（或65536）个音量可供选择。

Bit depth对于PCM编码是固定的，但对于有损压缩编解码器（如MP3和AAC），它是在编码期间计算的，并且可以因采样而异。

也就是说Bit depth只对PCM数字信号有意义。非PCM格式，如AAC这种有损压缩格式，Bit depth是没有意义的。所以AAC裸流的Header中没有Bit depth信息，WAV音频文件因为一般存贮的是PCM音频数据，所以WAV Header中才有Bit depth信息，具体可以参考：《音视频入门基础：WAV专题（2）——WAV格式简介》。