MPEG-1

動画専門家グループフェーズ 1 (MPEG-1)

ファイル名拡張子	.mpeg、.mpg、.mpe、.mp1、.mp2、.mp3、.m1v、.m1a、.m2a、.m2v、.mpa、.mpv
インターネットメディアの種類	オーディオ/mpeg、ビデオ/mpeg
開発者	MPEG ( ISO/IEC JTC 1の一部)
初回リリース	1991年12月6日; 32年前[1] ( 1991-12-06 )
最新リリース	ISO/IEC TR 11172-5:1998 1998年10月; 26年前 ( 1998-10 )
フォーマットの種類	オーディオ、ビデオ、コンテナ
延長	JPEG、H.261
延長	MPEG-2
標準	国際規格ISO / IEC11172
オープンフォーマット?	はい
フリーフォーマット?	はい

MPEG -1は、ビデオとオーディオの非可逆圧縮の標準です。VHS品質の生のデジタルビデオとCDオーディオを、過度の品質低下なしに約1.5Mbit/s（それぞれ26:1と6:1の圧縮率）^[2]まで圧縮するように設計されており、ビデオCD、デジタルケーブル/衛星テレビ、デジタルオーディオ放送（DAB）を実用化しています。^{[3] [4]}

現在、MPEG-1 は世界で最も広く互換性のある非可逆オーディオ/ビデオ形式となり、多数の製品やテクノロジーで使用されています。おそらく、MPEG-1 標準の最もよく知られている部分は、導入されたMP3オーディオ形式の最初のバージョンです。

MPEG-1 規格は、「情報技術 - 最大約 1.5 Mbit/s のデジタル記憶媒体における動画および関連音声の符号化」というタイトルのISO / IEC 11172として公開されています。

この規格は以下の５つのパートから構成されています: ^{[5] [6] [7] [8] [9]}

1. システム (ビデオ、オーディオ、およびその他のデータを1 つのファイルにまとめて保存および同期するための形式を定義します。後に、 MPEG-2の代替として導入されたMPEG トランスポート ストリーム形式と区別するために、MPEG プログラム ストリームと呼ばれるようになりました)。
2. ビデオ（圧縮されたビデオコンテンツ）
3. オーディオ（圧縮オーディオコンテンツ）、MP3およびMP2を含む
4. 適合性テスト（標準の実装の正確さをテストする）
5. リファレンスソフトウェア（標準に従ってエンコードおよびデコードする方法を示すサンプルソフトウェア）

ビデオ符号化における MPEG-1 の前身は、CCITT (現在のITU-T )が策定したH.261規格でした。H.261 で確立された基本アーキテクチャは、動き補償DCTハイブリッド ビデオ符号化構造でした。^{[10] [11]}この規格では、エンコーダーでのブロックベースの動き推定とデコーダーでのエンコーダー選択動きベクトルを使用した動き補償を伴う 16×16 サイズのマクロブロックが使用され、残差符号化にはサイズ 8×8 の離散コサイン変換(DCT)、スカラー量子化、およびエントロピー符号化用の可変長コード (ハフマン コードなど)が使用されます。^[12] H.261 は最初の実用的なビデオ符号化規格であり、そこで説明されている設計要素はすべて MPEG-1 でも使用されました。^[13]

MPEG ( Moving Picture Experts Group ) ワーキンググループは、Joint Photographic Experts GroupとCCITTの Experts Group on Telephony (それぞれJPEG画像圧縮規格とビデオ会議用 H.261 規格の作成者)によって開発された成功した共同アプローチと圧縮技術をモデルに、安田博(日本電信電話) とLeonardo Chiariglione ( CSELT )の主導により 1988 年 1 月に設立されました。^{[14] MPEG は、}標準的なビデオおよびオーディオ形式の必要性に応え、H.261 を基盤として、やや複雑なエンコード方式 (たとえば、モーション ベクトルの高精度のサポート) を使用することで品質を向上させるために設立されました。^{[3] [15] [16]}

MPEG-1 規格の開発は 1988 年 5 月に開始されました。14 のビデオ コーデックと 14 のオーディオ コーデックの提案が、評価のために個々の企業や機関から提出されました。コーデックは、1.5 Mbit/s のデータ レートで、計算の複雑さと主観的(人間が知覚する) 品質について徹底的にテストされました。この特定のビット レートは、 T-1 / E-1回線での送信と、オーディオ CDのおおよそのデータ レートとして選択されました。^[17]このテストで優れた結果を出したコーデックは、規格の基礎として利用され、さらに改良され、その過程で追加機能やその他の改善が組み込まれました。^[18]

世界各地のさまざまな都市で20回にわたるグループ全体の会議と、4年半の開発とテストを経て、最終規格（パート1～3）は1992年11月初旬に承認され、数か月後に公開されました。^[19] MPEG-1規格の完成日は報告によって大きく異なります。ほぼ完成したドラフト規格は1990年9月に作成され、それ以降はわずかな変更のみが加えられました。^[3]ドラフト規格は一般に購入可能でした。^[20]規格は1992年11月6日の会議で完成しました。^[21]バークレー・プラトー・マルチメディア研究グループは1992年11月にMPEG-1デコーダーを開発した。 ^[22] 1990年7月、MPEG-1規格の最初の草案が書かれる前、2番目の規格であるMPEG-2の作業が開始された。^[23]これはMPEG-1技術を拡張して、高ビットレート（3〜15 Mbit/s）で完全な放送品質のビデオ（ CCIR 601に準拠）を提供し、インターレースビデオをサポートすることを目的としていた。^[24] 2つのコーデックの類似性により、MPEG-2規格にはMPEG-1ビデオとの完全な下位互換性が含まれており、どのMPEG-2デコーダーでもMPEG-1ビデオを再生できる。^[25]

特に、MPEG-1規格はビットストリームとデコーダ機能を非常に厳密に定義していますが、MPEG-1エンコードの実行方法は定義していません。ただし、ISO/IEC-11172-5には参照実装が用意されています。^[2]これは、MPEG-1のコーディング効率が使用するエンコーダによって大幅に異なることを意味し、一般的に新しいエンコーダの方が以前のものよりも大幅に優れたパフォーマンスを発揮することを意味します。^[26] ISO/IEC 11172の最初の3つのパート（システム、ビデオ、オーディオ）は1993年8月に発行されました。^[27]

MPEG-1は古いため、もはや必須特許でカバーされておらず、ライセンスを取得したり料金を支払ったりすることなく使用できます。^{[34] [35] [36] [37] [38]} ISO特許データベースには、2003年に期限が切れたISO 11172の特許1件、US 4,472,747が記載されています。^[39] MPEG-1標準のほぼ完成したドラフトは、1991年12月6日までにISO CD 11172 ^{[20]として公開されました。 [1]} 2008年7月のKuro5hinの記事「MPEG-1、H.261、およびMPEG-2の特許状況」^[40]も、2008年8月のgstreamer-devel ^[41]メーリングリストのスレッドも、有効期限が切れていないMPEG-1ビデオおよびMPEG-1オーディオレイヤーI / IIの特許を1件も記載できませんでした。 2009年5月のwhatwgメーリングリストでの議論では、US 5,214,678特許がMPEG-1 Audio Layer IIをカバーする可能性があると言及されました。^[42]この特許は1990年に出願され、1993年に公開されましたが、現在は期限切れです。^[43]

「レイヤーIIIオーディオ」を備えた完全なMPEG-1デコーダーとエンコーダーは、MP3の記事で説明したように、MPEG-1オーディオレイヤーIIIの実装に特許料を要求する企業があったため、ロイヤリティフリーで実装することはできませんでした。MP3に関連する世界中のすべての特許は2017年12月30日に期限切れとなり、この形式は完全に無料で使用できます。^[44] 2017年4月23日、フラウンホーファーIISは、特定のMP3関連の特許とソフトウェアに対するテクニカラーのMP3ライセンスプログラムの料金徴収を停止しました。^[45]

以下の企業はISOに対し、MPEG-1ビデオ（ISO/IEC-11172-2）形式の特許を保有している旨の宣言書を提出したが、これらの特許はすべて失効している。^[46]

• BBC
• ダイムラーベンツAG
• 富士通
• IBM
• 松下電器産業株式会社
• 三菱電機
• 日本電気
• NHK
• フィリップス
• パイオニア株式会社
• クアルコム
• リコー
• ソニー
• テキサス・インスツルメンツ
• トムソンマルチメディア
• 凸版印刷
• 東芝
• 日本ビクター株式会社

• ビデオ再生用の最も一般的なソフトウェアには、サポートされている他の形式に加えて、MPEG-1 デコード機能が含まれています。
• MP3オーディオの人気により、MPEG-1 オーディオ (3 つのレイヤーすべて) を再生できるハードウェアの大規模なインストール ベースが確立されました。
• 「事実上すべてのデジタルオーディオデバイス」はMPEG-1オーディオを再生できます。^[47]現在までに何百万台も販売されています。
• MPEG-2が普及する前は、多くのデジタル衛星/ケーブルテレビサービスではMPEG-1のみが使用されていました。 ^{[16] [26]}
• MPEG-2 は放送局で広く普及しているため、下位互換性があるため、ほとんどのデジタル ケーブルおよび衛星セットトップ ボックス、デジタル ディスク プレーヤーおよびテープ プレーヤーで MPEG-1 を再生できます。
• MPEG-1 は、 Green Book CD-iおよびビデオ CD (VCD) 上の全画面ビデオに使用されました。
• VCD に基づくスーパービデオ CD規格では、MPEG-2 ビデオだけでなく、MPEG-1 オーディオも排他的に使用します。
• DVD -Video形式では主に MPEG-2 ビデオが使用されますが、MPEG-1 のサポートは標準で明示的に定義されています。
• DVD-Video 規格では、当初 PAL 諸国では MPEG-1 Audio Layer II が必要でしたが、AC-3/ Dolby Digitalのみのディスクを許可するように変更されました。MPEG-1 Audio Layer II は DVD で引き続き使用できますが、 MPEG Multichannelなどの新しい形式の拡張機能はほとんどサポートされていません。
• ほとんどの DVD プレーヤーは、MPEG-1 を使用するビデオ CD およびMP3 CD の再生もサポートしています。
• 国際デジタルビデオ放送(DVB) 規格では、主に MPEG-1 オーディオ レイヤー II と MPEG-2 ビデオが使用されます。
• 国際デジタルオーディオ放送(DAB) 規格では、特に高品質、適度なデコーダー パフォーマンス要件、およびエラー許容度のため、MPEG-1 Audio Layer II のみが使用されています。
• デジタルコンパクト カセットは、 PASC (Precision Adaptive Sub-band Coding) を使用してオーディオをエンコードします。PASC は、384 キロビット/秒の固定ビット レートを持つ MPEG-1 Audio Layer I の初期バージョンです。

MPEG-1 標準のパート 1 はシステムをカバーしており、ISO/IEC-11172-1 で定義されています。

MPEG-1 システムは、エンコードされたオーディオ、ビデオ、およびその他のデータを標準ビットストリームに保存し、さまざまなコンテンツ間の同期を維持するために使用される論理レイアウトと方法を指定します。このファイル形式は、比較的信頼性が高いと見なされるメディアへの保存と通信チャネルを介した送信用に特別に設計されています。標準では限られたエラー保護のみが定義されており、ビットストリーム内の小さなエラーが目立った欠陥を引き起こす可能性があります。

この構造は後にMPEGプログラムストリームと名付けられました。「MPEG-1システムの設計は、MPEG-2プログラムストリーム構造と本質的に同一です。」^{[48]この用語はより一般的で正確であり（} MPEGトランスポートストリームと区別する）、ここでも使用されます。

• ES (エレメンタリー ストリーム) は、MPEG-1 オーディオおよびビデオ エンコード データ (エンコーダからの出力) の生のビットストリームです。これらのファイルは、MP3 ファイルの場合と同様に、単独で配布できます。
• パケット化された基本ストリーム (PES) は、可変長のパケットにパケット化された基本ストリームです。つまり、ES は独立したチャンクに分割され、エラー検出のために各パケットに巡回冗長検査(CRC)チェックサムが追加されます。
• システムクロックリファレンス（SCR）は、各PESの33ビットヘッダーに格納されるタイミング値で、周波数/精度は90kHzで、追加の9ビット拡張には27MHzの精度で追加のタイミングデータが格納されます。^{[49] [50]}これらはエンコーダによって挿入され、システムタイムクロック（STC）から取得されます。ただし、同時にエンコードされたオーディオストリームとビデオストリームは、バッファリング、エンコード、ジッター、その他の遅延により、同じSCR値にはなりません。

プログラム ストリーム(PS) は、複数のパケット化された基本ストリーム (通常は 1 つのオーディオおよびビデオ PES) を 1 つのストリームに結合し、同時配信を保証し、同期を維持することに関係しています。PS 構造は、マルチプレックスまたはコンテナー形式として知られています。

プレゼンテーションタイムスタンプ（PTS）は、オーディオとビデオのSCR値間の避けられない不一致を修正するためにPSに存在します（タイムベース修正）。PSヘッダーの90kHz PTS値は、どのビデオSCR値がどのオーディオSCR値と一致するかをデコーダに伝えます。^[49] PTSはMPEGプログラムの一部をいつ表示するかを決定し、デコーダがデータをバッファからいつ破棄できるかを決定するためにも使用されます。 [ ^51]ビデオまたはオーディオのいずれかは、もう一方の対応するセグメントが到着してデコードできるようになるまで、デコーダによって遅延されます。

PTS の処理には問題があります。デコーダーは、連結された (順番に結合された) 複数のプログラム ストリームを受け入れる必要があります。これにより、ビデオの途中の PTS 値がゼロにリセットされ、その後再び増加し始めます。このような PTS ラップアラウンドの不一致により、デコーダーで特別に処理する必要があるタイミングの問題が発生する可能性があります。

さらに、B フレームのためにデコード タイム スタンプ (DTS) も必要です。ビデオ ストリームに B フレームがある場合、隣接するフレームは順序どおりにエンコードおよびデコードされません (フレームの順序が変更されます)。DTS は PTS と非常に似ていますが、連続したフレームを処理するだけでなく、アンカー (P または I) フレームの前に次の B フレーム (フレームの種類については後述) をデコードして表示するタイミングをデコーダーに伝えるための適切なタイム スタンプが含まれています。ビデオに B フレームがない場合、PTS と DTS の値は同一です。^[52]

PS を生成するために、マルチプレクサは (2 つ以上の) パケット化された基本ストリームをインターリーブします。これにより、同時ストリームのパケットが同じチャネルを介して転送され、両方が正確に同時にデコーダに到着することが保証されます。これは、時分割多重化の例です。

各ストリームからの各インターリーブ セグメントにどれだけのデータが含まれるか (インターリーブのサイズ) を決定することは複雑ですが、重要な要件です。不適切なインターリーブは、バッファ アンダーフローまたはオーバーフローを引き起こします。これは、受信機が同時に存在するもう 1 つのストリーム (ビデオなど) をデコードするのに十分なデータを取得する前に、保存できる量を超えるストリーム (オーディオなど) を取得するためです。MPEGビデオ バッファリング ベリファイア(VBV) は、指定されたデータ スループット レートとバッファ サイズを持つデバイスで多重化された PS をデコードできるかどうかを判断するのに役立ちます。^[53]これにより、マルチプレクサとエンコーダにフィードバックが提供され、準拠のために必要に応じて多重化サイズを変更したり、ビットレートを調整したりできます。

MPEG-1 標準のパート 2 はビデオをカバーしており、ISO/IEC-11172-2 で定義されています。設計はH.261の影響を強く受けています。

MPEG-1 ビデオは、知覚的圧縮方法を利用して、ビデオ ストリームに必要なデータ レートを大幅に削減します。人間の目では完全に認識できない特定の周波数と画像の領域にある情報を削減または完全に破棄します。また、ビデオに共通する時間的 (時間的) および空間的 (画像全体) の冗長性を利用して、他の方法よりも優れたデータ圧縮を実現します。(ビデオ圧縮を参照)

ビデオを MPEG-1 にエンコードする前に、色空間はY′CbCr (Y′ = 輝度、Cb = クロマ ブルー、Cr = クロマ レッド) に変換されます。輝度(明るさ、解像度) はクロマ(色、色相、位相)とは別に保存され、さらに赤と青のコンポーネントに分離されます。

クロマも4:2:0にサブサンプリングされます。つまり、垂直方向と水平方向の解像度が半分に削減され、ビデオの輝度コンポーネントに使用されるサンプル数が 4 分の 1 になります。^{[2]一部の色コンポーネントに高解像度を使用するこの方法は、デジタルカラーカメラの画像キャプチャセンサーで一般的に使用されている}ベイヤーパターンフィルターと概念が似ています。人間の目は、色 (Cr および Cb コンポーネント) の小さな変化よりも明るさ (Y コンポーネント) の小さな変化に非常に敏感であるため、クロマサブサンプリングは、圧縮する必要があるビデオデータの量を削減する非常に効果的な方法です。ただし、細かいディテール (高い空間的複雑さ) のあるビデオでは、これがクロマエイリアシングアーティファクトとして現れることがあります。他のデジタル圧縮アーティファクトと比較すると、この問題が煩わしい原因になることは非常にまれです。サブサンプリングのため、Y′CbCr 4:2:0 ビデオは通常、偶数次元 (水平方向と垂直方向が 2 で割り切れる)を使用して保存されます。

Y′CbCr カラーは、表記を簡略化するために非公式にYUVと呼ばれることがよくありますが、この用語は、より正確には、多少異なるカラー形式に適用されます。同様に、輝度と彩度という用語が、(より正確な) luma と chroma という用語の代わりによく使用されます。

MPEG-1は最大4095×4095（12ビット）の解像度と最大100Mbit/sのビットレートをサポートします。^[16]

MPEG-1 ビデオは、ソース入力フォーマット(SIF) 解像度 (352×240、352×288、または 320×240) を使用するのが最も一般的です。これらの比較的低い解像度と 1.5 Mbit/s 未満のビットレートを組み合わせると、制約パラメータ ビットストリーム (CPB) と呼ばれるものができ、後に MPEG-2 で「低レベル」(LL) プロファイルに名前が変更されました。これは、MPEG-1 準拠と見なされるために、あらゆるデコーダーが処理できる必要のある最小限のビデオ仕様です。これは、品質とパフォーマンスのバランスが取れており、当時の比較的安価なハードウェアを使用できるようにするために選択されました。^{[3] [16]}

MPEG-1 には、さまざまな目的に使用できる複数のフレーム/画像タイプがあります。最も重要でありながら最も単純なのはI フレームです。

「Iフレーム」は「イントラフレーム」の略称で、他のフレームとは独立してデコードできるためこの名がつけられました。アニメーションで使用されるキーフレームと機能が多少似ているため、Iピクチャまたはキーフレームと呼ばれることもあります。Iフレームは、ベースラインJPEG画像と実質的に同一であると考えられます。^[16]

MPEG-1 ビデオの高速シークは、最も近い I フレームまでしか実行できません。ビデオをカットする場合、セグメント内の最初の I フレームより前にビデオ セグメントの再生を開始することはできません (少なくとも、計算量の多い再エンコードを行わない限りは)。このため、編集アプリケーションでは I フレームのみの MPEG ビデオが使用されます。

Iフレームのみの圧縮は非常に高速ですが、ファイルサイズが非常に大きくなります。特定のビデオの時間的複雑さに応じて、通常のエンコードされたMPEG-1ビデオの3倍（またはそれ以上）の大きさになります。^[3] IフレームのみのMPEG-1ビデオは、MJPEGビデオと非常によく似ています。非常に高速で理論的にはロスレス（実際には丸め誤差があります）な変換を、ビットストリームの作成時にいくつかの制限（色空間と量子化マトリックス）に従うことを条件に、ある形式から別の形式に行うことができます。^[54]

Iフレーム間の長さは、グループオブピクチャ（GOP）サイズとして知られています。MPEG-1では、最も一般的には15～18のGOPサイズが使用されます。つまり、14～17の非Iフレーム（PフレームとBフレームの組み合わせ）ごとに1つのIフレームです。よりインテリジェントなエンコーダーでは、GOPサイズは、事前に選択された最大限度まで動的に選択されます。^[16]

デコードの複雑さ、デコーダー バッファー サイズ、データ エラー後の回復時間、シーク機能、およびハードウェア デコーダーで最も一般的な低精度実装での IDCT エラーの蓄積により、I フレーム間の最大フレーム数に制限が設けられます ( IEEE -1180 を参照)。

「P フレーム」は「予測フレーム」の略語です。前方予測フレームまたはインターフレームと呼ばれることもあります (B フレームもインターフレームです)。

P フレームは、ビデオの時間的冗長性を利用して圧縮率を向上させるために存在します。P フレームは、直前のフレーム (I フレームまたは P フレーム) との画像の差分のみを保存します (この参照フレームはアンカー フレームとも呼ばれます)。

P フレームとそのアンカー フレームの差は、フレームの各マクロブロックの動きベクトルを使用して計算されます(以下を参照)。このような動きベクトル データは、デコーダーが使用できるように P フレームに埋め込まれます。

Pフレームには、任意の数のイントラ符号化ブロック（DCTおよび量子化）と任意の前方予測ブロック（動きベクトル）を含めることができます。^[55]

ビデオが 1 つのフレームから次のフレームに劇的に変化する場合は (カットなど)、I フレームとしてエンコードする方が効率的です。

「B フレーム」は「双方向フレーム」または「双方向予測フレーム」の略です。後方予測フレームまたは B 画像とも呼ばれます。B フレームは P フレームと非常によく似ていますが、前のフレームと将来のフレーム (つまり 2 つのアンカー フレーム) の両方を使用して予測を行うことができる点が異なります。

したがって、プレーヤーは、B フレームをデコードして表示する前に、まず B フレームの後に次の I または P アンカー フレームを順番にデコードする必要があります。つまり、B フレームのデコードには大きなデータ バッファーが必要になり、デコード時とエンコード時の両方で遅延が増加します。また、コンテナー/システム ストリームのデコード タイム スタンプ (DTS) 機能も必要になります (上記を参照)。そのため、B フレームは長い間多くの議論の対象となっており、ビデオでは避けられることが多く、ハードウェア デコーダーで完全にサポートされていないこともあります。

B フレームからは他のフレームは予測されません。このため、必要に応じて非常に低ビットレートの B フレームを挿入して、ビットレートの制御に役立てることができます。これを P フレームで行った場合、将来の P フレームは P フレームから予測され、シーケンス全体の品質が低下します。ただし、同様に、将来の P フレームは、以前の I または P アンカー フレームとの間のすべての変更をエンコードする必要があります。B フレームは、オブジェクトの背後の背景が複数のフレームにわたって表示されるビデオや、シーンの変更などのフェード トランジションにも役立ちます。^{[3] [16]}

Bフレームには、後方予測ブロックや双方向予測ブロックに加えて、任意の数のイントラ符号化ブロックと前方予測ブロックを含めることができます。^{[16] [55]}

MPEG-1 には、後のビデオ標準には見られない独自のフレーム タイプがあります。「D フレーム」または DC ピクチャは、DC 変換係数のみを使用してエンコードされた独立してコード化された画像 (イントラフレーム) です (D フレームをエンコードするときに AC 係数は削除されます。以下の DCT を参照してください)。そのため、品質が非常に低くなります。D フレームは、I フレーム、P フレーム、または B フレームによって参照されることはありません。D フレームは、ビデオを高速でシークする場合など、ビデオの高速プレビューにのみ使用されます。^[3]

適度に高性能なデコード装置があれば、D フレームの代わりに I フレームをデコードすることで高速プレビューを実現できます。I フレームには DC 係数だけでなく AC 係数も含まれるため、これにより高品質のプレビューが実現します。エンコーダーが、デコーダーで高速 I フレーム デコード機能が利用できると想定できる場合、D フレームを送信しないことでビットを節約できます (これにより、ビデオ コンテンツの圧縮が向上します)。このため、D フレームは MPEG-1 ビデオ エンコーディングで実際に使用されることはほとんどなく、D フレーム機能はそれ以降のビデオ コーディング標準には含まれていません。

MPEG-1 は、量子化のためにビデオを一連の 8×8 ブロックで処理します。ただし、動きベクトルに必要なビット レートを削減し、彩度 (色) が係数 4 でサブサンプリングされるため、各彩度ブロックのペア (赤と青) は 4 つの異なる輝度ブロックに対応します。つまり、サイズが 8×8 の 4 つの輝度ブロックには、8×8 の Cb ブロックが 1 つと 8×8 の Cr ブロックが 1 つあります。画像解像度が 16×16 のこの 6 つのブロックのセットは、まとめて処理され、マクロブロックと呼ばれます。

これらの 8x8 ブロックはすべて、個別に DCT と量子化が行われます。

マクロブロックは、(カラー) ビデオの最小の独立単位です。モーション ベクトル (下記参照) は、マクロブロック レベルでのみ動作します。

ビデオの高さまたは幅が 16 の正確な倍数でない場合は、画像を埋めるためにマクロブロックの全行と全列をエンコードおよびデコードする必要があります (ただし、デコードされた余分なピクセルは表示されません)。

ビデオ内の時間的冗長性を減らすために、変更されたブロックのみが更新されます (最大 GOP サイズまで)。これは条件付き補充と呼ばれます。ただし、これだけでは効果はあまりありません。オブジェクトやカメラの動きにより、以前にエンコードされたオブジェクトの位置のみが変わった場合でも、フレームの大部分を更新する必要がある可能性があります。動き推定により、エンコーダーはこの動きを補正し、大量の冗長情報を削除できます。

エンコーダは、現在のフレームを、アンカー フレーム (前の I フレームまたは P フレーム) からのビデオの隣接部分とダイヤモンド パターンで比較します。比較は、現在のマクロブロックの領域から(エンコーダ固有の) 事前定義された半径の制限まで行われます。一致が見つかった場合は、前のビデオ領域から現在のマクロブロックまでの方向と距離 (つまり、動きのベクトル) のみをインターフレーム (P フレームまたは B フレーム) にエンコードする必要があります。このプロセスの逆は、デコーダによって実行され、画像を再構築する処理であり、動き補正と呼ばれます。

ただし、予測されたマクロブロックが現在の画像と完全に一致することはほとんどありません。予測された一致領域と実際のフレーム/マクロブロックの差は予測誤差と呼ばれます。予測誤差の量が大きいほど、フレームに追加でエンコードする必要があるデータが多くなります。効率的なビデオ圧縮のためには、エンコーダが動き予測を効果的かつ正確に実行できることが非常に重要です。

モーション ベクトルは、ピクセル (ペルとも呼ばれる) の数に基づいて、画面上の 2 つの領域間の距離を記録します。MPEG-1 ビデオでは、1 ピクセルの半分、つまりハーフ ペルのモーション ベクトル (MV) 精度が使用されます。MV の精度が高いほど、一致の精度が高くなり、圧縮効率も高くなります。ただし、精度を上げるとトレードオフがあります。MV の精度を上げると、フレームに格納する数値が大きくなるため、MV を表すのに使用するデータ量が増え、エンコーダとデコーダの両方でマクロブロックの補間レベルが上がるためコーディングの複雑さが増し、MV の精度を上げると収穫逓減 (ゲインが最小限) になります。ハーフ ペル精度は、その時点での理想的なトレードオフとして選択されました。( qpelを参照)

隣接するマクロブロックは、非常に類似した動きベクトルを持つ可能性が高いため、この冗長情報は、 DPCMエンコードされて保存されることによって、非常に効果的に圧縮できます。各マクロブロックの MV 間の差の (より小さな) 量のみを、最終ビットストリームに保存する必要があります。

Pフレームは、前のアンカーフレームを基準としてマクロブロックごとに1つの動きベクトルを持ちます。ただし、Bフレームは、前のアンカーフレームから1つと将来のアンカーフレームから1つの2つの動きベクトルを使用できます。^[55]

部分的なマクロブロック、およびマクロブロックの境界に正確に収まらないビデオにエンコードされた黒い境界線/バーは、動きの予測に大混乱を引き起こします。ブロックのパディング/境界情報により、マクロブロックがビデオの他の領域と密接に一致するのが妨げられるため、画面の境界に沿った数十個の部分的なマクロブロックごとに、大幅に大きな予測エラー情報をエンコードする必要があります。DCT エンコードと量子化 (以下を参照) も、ブロック内に大きな/シャープな画像コントラストがある場合には、それほど効果的ではありません。

さらに深刻な問題は、画像が（通常は）黒に遷移する、顕著でランダムなエッジ ノイズを含むマクロブロックにあります。上記の問題はすべてエッジ ノイズにも当てはまります。さらに、追加されたランダム性を大幅に圧縮することは不可能です。これらの影響はすべて、ビデオの品質を大幅に低下させます（またはビットレートを増加させます）。

各 8×8 ブロックは、最初に順方向 離散コサイン変換(FDCT) を適用し、次に量子化プロセスを適用してエンコードされます。FDCT プロセス (それ自体) は理論的にはロスレスであり、逆DCT ( IDCT ) を適用して元の値を再現することで元に戻すことができます (量子化および丸め誤差がない場合)。実際には、エンコーダーでの量子化 (次のセクションで説明) とデコーダーでの IDCT 近似誤差の両方によって、ある程度の (場合によっては大きな) 丸め誤差が発生します。デコーダーの IDCT 近似の最小許容精度は、ISO/IEC 23002-1 で定義されています (2006 年より前は、IEEE 1180-1990 で指定されていました)。

FDCT プロセスは、圧縮されていないピクセル値 (明るさまたは色差の値) の 8×8 ブロックを、周波数係数値の 8×8 インデックス配列に変換します。これらの 1 つは (統計的に分散が大きい)「DC 係数」で、8×8 ブロック全体の平均値を表します。他の 63 個の係数は統計的に小さい「AC 係数」で、それぞれが DC 係数によって表されるフラット ブロック値からの正弦波偏差を表す正ま​​たは負の値を持ちます。

エンコードされた 8×8 FDCT ブロックの例:

${\displaystyle {\begin{bmatrix}-415&-30&-61&27&56&-20&-2&0\\4&-22&-61&10&13&-7&-9&5\\-47&7&77&-25&-29&10&5&-6\\-49&12&34&-15&-10&6&2&2\\12&-7&-13&-4&-2&2&-3&3\\-8&3&2&-6&-2&1&4&2\\-1&0&0&-2&-1&-3&4&-1\\0&0&-1&-4&-1&0&1&2\end{bmatrix}}}$

DC 係数値はブロック間で統計的に相関しているため、DPCMエンコードを使用して圧縮されます。各 DC 値とその左側のブロックの DC 係数値との間の (より小さい) 差のみが、最終的なビットストリームで表現される必要があります。

さらに、DCT を適用して実行される周波数変換では、量子化を適用する前に、信号をより少ない高振幅値に効率的に集中させる統計的無相関化機能が提供されます (以下を参照)。

量子化とは、本質的には、信号をより大きなステップ サイズで分割し、整数値に丸める (つまり、最も近い倍数を見つけて、余りを破棄する) ことによって、信号の精度を下げるプロセスです。

フレーム レベルの量子化器は 0 から 31 までの数値です (ただし、エンコーダーは通常、極端な値の一部を省略/無効にします)。これにより、特定のフレームから削除される情報の量が決まります。フレーム レベルの量子化器は通常、エンコーダーによって動的に選択され、ユーザーが指定した特定のビットレートが維持されるか、(あまり一般的ではありませんが) ユーザーによって直接指定されます。

「量子化マトリックス」は、64 個の数字 (0 から 255 まで) の文字列で、各視覚情報の相対的な重要度をエンコーダーに伝えます。マトリックス内の各数字は、ビデオ画像の特定の周波数成分に対応します。

量子化行列の例:

${\displaystyle {\begin{bmatrix}16&11&10&16&24&40&51&61\\12&12&14&19&26&58&60&55\\14&13&16&24&40&57&69&56\\14&17&22&29&51&87&80&62\\18&22&37&56&68&109&103&77\\24&35&55&64&81&104&113&92\\49&64&78&87&103&121&120&101\\72&92&95&98&112&100&103&99\end{bmatrix}}}$

量子化は、DCT ブロックの 64 個の周波数値をそれぞれ取得し、フレーム レベルの量子化器で割り、量子化マトリックス内の対応する値で割ることによって実行されます。最後に、結果が切り捨てられます。これにより、画像の一部の周波数成分の情報が大幅に削減されるか、完全に削除されます。通常、高周波情報は視覚的に重要ではないため、高周波ははるかに強力に量子化されます(大幅に削減されます)。MPEG-1 では、実際には 2 つの別々の量子化マトリックスが使用されています。1 つはブロック内 (I ブロック) 用、もう 1 つはブロック間 (P ブロックと B ブロック) 用です。これにより、異なるブロック タイプの量子化を独立して実行できるため、より効率的に実行できます。^[3]

この量子化プロセスにより、通常、 AC 係数のかなりの数がゼロに削減されます (スパース データと呼ばれます)。その後、次のステップでエントロピー コーディング (ロスレス圧縮) によって、より効率的に圧縮できます。

量子化された DCT ブロックの例:

${\displaystyle {\begin{bmatrix}-26&-3&-6&2&2&-1&0&0\\0&-2&-4&1&1&0&0&0\\-3&1&5&-1&-1&0&0&0\\-4&1&2&-1&0&0&0&0\\1&0&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0\end{bmatrix}}}$

量子化は大量のデータを削減し、MPEG-1 ビデオ エンコーディングにおける主要な非可逆処理ステップです。これは、ブロック歪み、カラー バンディング、ノイズ、リンギング、変色など、ほとんどのMPEG-1 ビデオ圧縮アーティファクトの主な原因でもあります。これは、ビデオが不十分なビットレートでエンコードされている場合に発生し、そのためエンコーダーはビデオの大部分で 高フレーム レベルの量子化 (強力な量子化) を使用するよう強制されます。

MPEG-1ビデオのエンコードのいくつかのステップはロスレスです。つまり、デコード時に元に戻され、まったく同じ（元の）値が生成されます。これらのロスレスデータ圧縮ステップでは、ノイズが追加されたり、コンテンツが変更されたりしないため（量子化とは異なります）、ノイズレスコーディングと呼ばれることもあります。^{[47]ロスレス圧縮は冗長性を可能な限り排除することを目的としているため、}情報理論の分野ではエントロピーコーディングとして知られています。

量子化された DCT ブロックの係数は、右下に向かってゼロになる傾向があります。ランレングス エンコーディング技術を使用して、左上から DCT ブロックをジグザグにスキャンすることで、最大限の圧縮を実現できます。

DC 係数と動きベクトルはDPCMでエンコードされます。

ランレングス符号化(RLE) は、繰り返しを圧縮する簡単な方法です。連続する文字列は、長さに関係なく、繰り返される値とその回数に注意することで、数バイトに置き換えることができます。たとえば、誰かが「five nines」と言った場合、その人が意味しているのは 99999 という数字であることがわかります。

RLE は量子化後に特に効果的です。AC 係数のかなりの数がゼロになり (スパース データと呼ばれる)、わずか数バイトで表現できるからです。これは、ランレングスとラン終了文字をコード化する 特別な 2次元ハフマン テーブルに格納されます。

ハフマン符号化は、エントロピー符号化の非常に一般的で比較的単純な方法で、MPEG-1ビデオでデータサイズを削減するために使用されています。データは、頻繁に繰り返される文字列を見つけるために分析されます。次に、それらの文字列は特別なテーブルに格納され、最も頻繁に繰り返されるデータには最短のコードが割り当てられます。これにより、この形式の圧縮でデータが可能な限り小さく保たれます。^[47]テーブルが構築されると、データ内のそれらの文字列は、テーブル内の適切なエントリを参照する（はるかに小さい）コードに置き換えられます。デコーダーは、このプロセスを逆に実行して元のデータを生成します。

これはビデオ エンコード プロセスの最終ステップであるため、ハフマン コーディングの結果はMPEG-1 ビデオ「ビットストリーム」と呼ばれます。

I フレームは、フレーム内に完全なフレーム情報を格納するため、ランダム アクセスに適しています。P フレームは、前のフレーム (I または P) を基準とした動きベクトルを使用して圧縮を行います。B フレームは最大限の圧縮を行いますが、計算には前のフレームと次のフレームが必要です。したがって、B フレームの処理には、デコード側でより多くのバッファーが必要です。グループオブ ピクチャ(GOP) の構成は、これらの要素に基づいて選択する必要があります。I フレームのみのシーケンスは圧縮が最も少ないですが、ランダム アクセス、FF/FR、および編集機能に役立ちます。I フレームと P フレームのシーケンスは中程度の圧縮を行いますが、ある程度のランダム アクセス、FF/FR 機能を追加します。I フレーム、P フレーム、および B フレームのシーケンスは圧縮が非常に高くなりますが、コーディング/デコーディングの遅延も大幅に増加します。したがって、このような構成は、ビデオ電話やビデオ会議アプリケーションには適していません。

Iフレームの典型的なデータレートは1ピクセルあたり1ビットですが、Pフレームの場合は1ピクセルあたり0.1ビット、Bフレームの場合は1ピクセルあたり0.015ビットです。^[56]

MPEG-1 標準のパート 3 はオーディオをカバーし、ISO/IEC-11172-3 で定義されています。

MPEG-1オーディオは心理音響学を利用して、オーディオストリームに必要なデータレートを大幅に削減します。人間の耳では聞こえないと思われるオーディオの特定の部分を削減または完全に破棄します。人間の耳では聞こえないと思われる特定の部分は、耳の感度が限られている周波数にあるか、他の（通常はより大きな）音に隠されている^{かのいずれかです。 [57]}

チャネル エンコーディング モード:

• 単核症
• ジョイントステレオ –強度エンコード
• ジョイントステレオ – M/S エンコード(レイヤー III のみ)
• ステレオ
• デュアル（2つの相関のないモノラルチャンネル）

サンプリングレート:

• 32000 Hz
• 44100 Hz
• 48000 Hz

ビットレート:

• レイヤーI: 32、64、96、128、160、192、224、256、288、320、352、384、416、448 kbit/s ^[58]
• レイヤー II: 32、48、56、64、80、96、112、128、160、192、224、256、320、384 kbit/s
• レイヤー III: 32、40、48、56、64、80、96、112、128、160、192、224、256、320 kbit/s

MPEG-1 オーディオは 3 つのレイヤーに分かれています。各上位レイヤーは計算が複雑で、一般的に前のレイヤーよりも低いビットレートでより効率的です。^[16]上位レイヤーは下位レイヤーで実装されたテクノロジを再利用するため、レイヤーは半下位互換性があります。「完全な」レイヤー II デコーダーはレイヤー I オーディオも再生できますが、レイヤー III オーディオは再生できません。ただし、すべての上位レベルのプレーヤーが「完全」であるわけではありません。^[57]

MPEG-1オーディオレイヤーIは、MPEG-1オーディオレイヤーIIの簡易版です。^[18]レイヤーIは、非常に低い遅延と細かい解像度のために、より小さな384サンプルのフレームサイズを使用します。^{[26]これは、テレビ会議、スタジオ編集などのアプリケーションに有利です。レイヤーIIよりも複雑さが低く、}  1990年頃に利用可能なハードウェアでのリアルタイムエンコードを容易にします。^[47]

レイヤーIは当時あまり採用されておらず、最も有名なのはフィリップスの廃盤となったデジタルコンパクトカセットで384kbit/sのビットレートで使用されていたことです。^[2]導入以来、デジタル処理のパフォーマンスが大幅に向上したため、レイヤーIはすぐに不要になり、時代遅れになりました。

レイヤー I オーディオ ファイルは通常、拡張子「.mp1」を使用しますが、「.m1a」を使用する場合もあります。

MPEG-1 Audio Layer II（MP2の最初のバージョン、非公式にはMUSICAMと呼ばれることが多い）^[57]は、ステレオサウンドで約192kbit/sの高品質を提供するように設計された非可逆オーディオ形式です。 ^[59] MP2オーディオのデコードは、MP3、AACなど に比べて計算が簡単です。

MPEG-1 Audio Layer IIは、デジタルオーディオ放送の開発のためのEUREKA 147汎ヨーロッパ政府間研究開発イニシアチブの一環として、Centre commun d'études de télévision et télécommunications (CCETT)、Philips、Institut für Rundfunktechnik (IRT/CNET) ^{[16] [18] [60]によって開発された}MUSICAM (Masking pattern adapted Universal Subband Integrated Coding And Multiplexing)オーディオコーデック から派生したものです。

MPEG-1 Audioの主要機能のほとんどは、フィルタバンク、時間領域処理、オーディオフレームサイズなど、MUSICAMから直接継承されました。しかし、改良が加えられ、実際のMUSICAMアルゴリズムは最終的なMPEG-1 Audio Layer II標準では使用されませんでした。レイヤーIIを指すためにMUSICAMという用語が広く使用されていることは完全に誤りであり、技術的および法的理由の両方から推奨されません。^[57]

MP2は時間領域エンコーダです。時間周波数マッピングには低遅延の32サブバンド多相 フィルタバンクを使用し、エイリアシングを防ぐために重複範囲（つまり多相）を持ちます。 ^{[61]心理音響モデルは、}聴覚マスキング、同時マスキング効果、絶対聴力閾値（ATH）の原理に基づいています。レイヤーIIフレームのサイズは1152サンプル（係数）に固定されています。

時間領域とは、オーディオ波形の短い離散サンプル/チャンクに対して分析と量子化を実行する方法を指します。エンコード前に少数のサンプルのみが分析されるため、遅延が少なくなります。一方、周波数領域エンコード (MP3 など) では、エンコードされたオーディオの変換方法と出力方法を決定する前に、何倍ものサンプルを分析する必要があります。また、複雑でランダムかつ過渡的なインパルス (打楽器や拍手など) に対してもパフォーマンスが向上し、プリエコーなどのアーティファクトを回避できます。

32サブバンドフィルタバンクは、オーディオの等サイズの周波数帯域/セグメントごとに1つずつ、32の振幅係数を返します。これは、オーディオのサンプリング周波数に応じて約700Hzの幅です。エンコーダは心理音響モデルを使用して、どのサブバンドにそれほど重要でないオーディオ情報が含まれているかを判断し、量子化が聞こえない、または少なくとも目立たない場所を判断します。^[47]

心理音響モデルは、1024ポイントの高速フーリエ変換（FFT）を使用して適用されます。フレームあたり1152サンプルのうち、周波数範囲の上限と下限の64サンプルは、この分析では無視されます。それらは、結果を変えるほど重要ではないと考えられます。心理音響モデルは、経験的に決定されたマスキングモデルを使用して、どのサブバンドがマスキングしきい値に大きく貢献するか、および各サブバンドが知覚されずに含むことができる量子化ノイズの量を決定します。絶対聴力閾値（ATH）を下回る音は完全に破棄されます。使用可能なビットは、それに応じて各サブバンドに割り当てられます。^{[57] [61]}

通常、サブバンドに含まれる音が静かな場合（係数が小さい）、隣接する（つまり周波数が似ている）サブバンドに含まれる音が大きな場合（係数が大きい）よりもサブバンドの重要性は低くなります。また、「ノイズ」成分は通常、「音色」成分よりもマスキング効果が大きくなります。^[60]

重要度の低いサブバンドは量子化によって精度が低下します。これは基本的に周波数範囲（係数の振幅）を圧縮すること、つまりノイズフロアを上げることを意味します。次に増幅係数を計算し、デコーダーが各サブバンドを適切な周波数範囲に再拡張するために使用します。^{[62] [63]}

レイヤー II は、ジョイント ステレオの一種であるインテンシティ ステレオコーディングもオプションで使用できます。これは、両方のチャンネルの 6 kHz を超える周波数が 1 つの単一 (モノラル) チャンネルに結合され、ダウンミックスされることを意味しますが、各チャンネルの相対的なインテンシティ (音量、振幅) に関する「サイド チャンネル」情報は保持され、ビットストリームに別々にエンコードされます。再生時には、単一チャンネルが左右のスピーカーから再生され、インテンシティ情報が各チャンネルに適用されてステレオ サウンドの錯覚が生まれます。^{[47] [60]}この知覚トリックは「ステレオの無関係性」として知られています。これにより、忠実度をほとんど損なうことなくオーディオ ビットレートをさらに削減できますが、非常に高品質の (透明な) オーディオが得られないため、通常、高ビットレートでは使用されません。[ ^{47] [61] [64] [65]}

専門家による主観的なオーディオテストでは、これまで実装された中で最も厳しい条件で、MP2 は最も初期のリファレンス実装を使用した16 ビット 44.1 kHz CD オーディオで 256 kbit/s の透過的なオーディオ圧縮を実現できることが示されています (最近のエンコーダーはおそらくさらに優れたパフォーマンスを発揮するはずです)。 ^{[2] [60] [61] [66] CD オーディオの (およそ) 1:6 の圧縮率は、知覚}エントロピーの推定上限である 1:8 をわずかに上回る数値に非常に近いため、特に印象的です。^{[67] [68]}知覚可能な情報をいくらか破棄せずに、これよりはるかに高い圧縮率を達成することは不可能です。

MP2は、カスタネット、交響楽団、男声と女声、特に複雑で高エネルギーのトランジェント（インパルス）である打楽器音（三角音、グロッケンシュピール、観客の拍手）などの重要なオーディオ素材に対するオーディオコーディングパフォーマンスが特に高いため、非可逆オーディオコーディング規格として好まれ続けています。^[26]最近のテストでは、 MPEGマルチチャネル（MP2ベース）は、劣ったマトリックスモード（下位互換性のため）によって妥協されているにもかかわらず^{[2] [61]、}ドルビーデジタル（AC-3）やアドバンストオーディオコーディング（AAC）などのはるかに最近のオーディオコーデックよりもわずかに低いレートであることが示されています（ほとんどは誤差の範囲内ですが、観客の拍手など、いくつかのケースで大幅に優れています）。^{[69] [70]}これは、MP2オーディオが広く使用され続けている理由の1つです。ただし、MPEG-2 AACステレオ検証テストでは、AACが半分のビットレートでMP2よりも優れたパフォーマンスを提供するという、まったく異なる結論に達しました。^[71]以前のテストと後のテストの両方でこのような相違が生じた理由は明らかではないが、奇妙なことに、後者のテストでは拍手のサンプルが著しく欠落している。

レイヤー II オーディオ ファイルは通常、拡張子「.mp2」を使用しますが、「.m2a」を使用する場合もあります。

MPEG-1 Audio Layer III ( MP3の最初のバージョン) は、シングル チャネル ( BRI ) ISDNリンク上のモノラル オーディオで約 64 kbit/s、ステレオ サウンドで 128 kbit/s の許容品質を提供するように設計された非可逆オーディオ形式です。

MPEG-1オーディオレイヤーIIIは、デジタルオーディオ放送の開発のためのEUREKA 147汎欧州政府間研究開発イニシアチブの一環としてフラウンホーファーが開発した適応スペクトル知覚エントロピー符号化（ASPEC）コーデックから派生したものです。ASPECはレイヤーIIモデル（フレームサイズ、フィルタバンク、FFTなど）に適合するように調整され、レイヤーIIIになりました。^[18]

ASPEC自体は、EFシュローダーによる多重適応スペクトル音声符号化（MSC）、エアランゲン・ニュルンベルク大学のカールハインツ・ブランデンブルク博士論文の周波数領域における最適符号化（OCF）、AT&Tベル研究所のJDジョンストンによる知覚変換符号化（PXFM）、および放送技術研究所（IRT/CNET）のY.マヒュとJ.プティによる音声信号の変換符号化に基づいています。^[72]

MP3 は周波数領域オーディオ変換エンコーダです。下位層の機能の一部を活用していますが、MP3 は MP2 とはまったく異なります。

MP3はMP2と同様に1152サンプルで動作しますが、周波数領域（MDCT）処理と量子化が有効になる前に、分析のために複数のフレームを取得する必要があります。1152サンプルサイズの出力フレームを維持しながら、この可変ビットレート（VBR）エンコードを有効にするためにビットバッファを使用して、可変数のサンプルを出力します。これにより、出力前に大幅に長い遅延が発生し、編集やその他の処理が必要なスタジオアプリケーションにはMP3は不適切であると考えられています。^[61]

MP3は32サブバンド多相フィルタバンクの恩恵を受けず、代わりに各出力に18ポイントMDCT変換を使用してデータを576の周波数成分に分割し、周波数領域で処理します。^[60]この追加の粒度により、MP3はより細かい心理音響モデルを持ち、各バンドに適切な量子化をより慎重に適用できるため、低ビットレートのパフォーマンスが大幅に向上します。

周波数領域処理にもいくつかの制限があり、Layer II よりも 12 倍または 36 倍悪い時間解像度になります。これにより、打楽器などの過渡音や、より大きなウィンドウに広がるその他の高周波イベントが原因で、量子化アーティファクトが発生します。その結果、可聴なスミアとプリエコーが発生します。^[61] MP3 はプリエコー検出ルーチンと VBR エンコーディングを使用して、難しいパッセージでビットレートを一時的に増加させ、この影響を軽減します。また、通常の 36 サンプルの量子化ウィンドウと、代わりに 3 倍の短い 12 サンプル ウィンドウを切り替えることで、量子化アーティファクトの時間的長さを短縮することもできます。^[61]それでも、最も深刻なアーティファクトを回避するのに十分な MP3 の時間応答を実現するためにかなり小さなウィンドウ サイズを選択すると、MP3 は定常の音色成分の周波数領域圧縮の効率が大幅に低下します。

レイヤー II に適合させるために、時間領域 (フィルタ バンク) / 周波数領域 (MDCT) のハイブリッドモデルの使用を余儀なくされると、処理時間が無駄になり、エイリアシング アーティファクトが導入されて品質が低下します。MP3 には、この問題を隠すためのエイリアシング キャンセル ステージがありますが、代わりにオーディオにエンコードする必要がある周波数領域エネルギーが生成されます。これは、ほとんどの人の聴力が限られている周波数範囲の上限に押し上げられ、歪みが聞こえにくくなることを期待しています。

レイヤー II の 1024 ポイント FFT は、すべてのサンプルを完全にカバーするわけではなく、量子化係数を決定する必要がある MP3 サブバンド全体をいくつか省略します。MP3 は代わりに、スペクトル推定に 2 回の FFT 分析パスを使用して、グローバルおよび個別のマスキングしきい値を計算します。これにより、1152 個のサンプルすべてをカバーできます。2 回のうち、最も難しいオーディオを含む、より重要なパスのグローバル マスキングしきい値レベルを使用します。

レイヤー II の強度エンコードされたジョイント ステレオに加えて、MP3 はミドル/サイド (ミッド/サイド、m/s、MS、マトリックス) ジョイント ステレオを使用できます。ミッド/サイド ステレオでは、両方のチャネルの特定の周波数範囲が 1 つのモノラル チャネル (ミドル、ミッド、L+R) に統合され、左チャネルと右チャネルのサウンドの違いは別のチャネル (サイド、LR) として保存されます。強度ステレオとは異なり、このプロセスではオーディオ情報が破棄されません。ただし、量子化と組み合わせると、アーティファクトが強調される可能性があります。

左チャンネルと右チャンネルの差が小さい場合は、サイドチャンネルも小さくなり、ビットレートを最大50%節約でき、それに伴う品質の向上も期待できます。左チャンネルと右チャンネルの差が大きい場合は、ミッド/サイドジョイントステレオではメリットがないため、標準（個別、左/右）ステレオエンコーディングが推奨されます。MP3エンコーダーは、フレームごとにm/sステレオとフルステレオを切り替えることができます。^{[60] [65] [73]}

レイヤーIおよびIIとは異なり、MP3は可変長ハフマン符号化（知覚後）を使用して、品質を損なうことなくビットレートをさらに削減します。^{[57] [61]}

MP3 のよりきめ細かく選択的な量子化は、低ビットレートでは MP2 より明らかに優れていることが証明されています。15% 低いビットレート (約) で、Layer II とほぼ同等のオーディオ品質を提供できます。^{[70] [71]} 128 kbit/s は MP3 の「スイート スポット」と考えられています。つまり、ほとんどの音楽で一般的に許容できる品質のステレオ サウンドを提供し、ビットレートをさらに上げると品質の向上は減少します。また、忠実な再生が不可能なほど低いビットレートで両方を使用する場合、MP3 は Layer II よりも目立たないアーティファクトを示すと考えられています。

レイヤー III オーディオ ファイルでは拡張子「.mp3」が使用されます。

MPEG-2規格には、MPEG -1オーディオに対するいくつかの拡張機能が含まれています。^[61]これらはMPEG-2 BCと呼ばれ、MPEG-1オーディオと下位互換性があります。^{[74] [75] [76] [77]} MPEG-2オーディオはISO/IEC 13818-3で定義されています。

• MPEGマルチチャンネル– 下位互換性のある5.1チャンネルサラウンドサウンド。^[25]
• サンプリングレート: 16000、22050、24000 Hz
• ビットレート: 8、16、24、32、40、48、56、64、80、96、112、128、144、160 kbit/s

これらのサンプリングレートは、MPEG-1 Audio用に元々定義されたもののちょうど半分です。これらは、より低いビットレートでオーディオをエンコードする際に、より高品質のサウンドを維持するために導入されました。^{[25]さらに低いビットレートが導入されたのは、MPEG-1 Audioが、既存の（}  1994年頃）非常に低いビットレート（つまり、音声）のオーディオコーデックよりも高い品質を提供できることがテストで示されたためです。^[78]

MPEG-1 標準のパート 4 は適合性テストをカバーしており、ISO/IEC-11172-4 で定義されています。

適合性: 適合性をテストするための手順。

MPEG-1オーディオおよびビデオデコーダーの適合性、およびエンコーダーによって生成されたビットストリームをテストするための2セットのガイドラインと参照ビットストリームを提供します。^{[16] [23]}

MPEG-1 標準のパート 5 には参照ソフトウェアが含まれており、ISO/IEC TR 11172–5 で定義されています。

シミュレーション: リファレンスソフトウェア。

オーディオとビデオのエンコードとデコード、および多重化と多重化解除のためのCリファレンスコード。 ^{[16] [23]}

これには、 LAMEとTooLAMEが元々基づいていた ISO Dist10オーディオ エンコーダー コードが含まれます。

.mpg は、MPEG-1 またはMPEG-2オーディオおよびビデオ圧縮用のファイル拡張子の 1 つです。MPEG-1 Part 2 ビデオは今日ではまれであり、この拡張子は通常、 MPEG プログラム ストリーム(MPEG-1 および MPEG-2 で定義) またはMPEG トランスポート ストリーム(MPEG-2 で定義) を指します。正確なコンテナー (この場合は MPEG-2 TS) を指定する .m2ts などの他のサフィックスも存在しますが、これは MPEG-1 メディアとはあまり関係がありません。

.mp3 は、 MP3オーディオ (通常は MPEG-1 オーディオ、場合によっては MPEG-2 オーディオ)を含むファイルの最も一般的な拡張子です。MP3 ファイルは通常、未加工のオーディオの非包含ストリームです。MP3 ファイルにタグを付ける従来の方法は、各フレームの「ガベージ」セグメントにデータを書き込むことです。このセグメントではメディア情報は保持されますが、プレーヤーによって破棄されます。これは、未加工の .AAC ファイルにタグを付ける方法と多くの点で似ています (ただし、これは現在ではあまりサポートされていません。たとえば、iTunesなど)。

適用されますが、.mpg は通常、raw AACまたはMPEG-2 Part 7 コンテナー内の AAC を追加しないことに注意してください。.aac 拡張子は通常、これらのオーディオ ファイルを示します。

• MPEG MPEG-1標準の開発者であるMoving Picture Experts Group
• MP3 MPEG-1 Audio Layer III に関する技術的でない追加の詳細
• MPEG マルチチャンネルMPEG-1 オーディオ レイヤー II への下位互換性のある 5.1 チャンネルサラウンド サウンド拡張
• MPEG-2 MPEG-1 標準の直接の後継。
• ISO/IEC JTC 1/SC 29

実装

• LibavcodecにはMPEG-1/2ビデオ/オーディオエンコーダとデコーダが含まれています
• Mjpegtools 2008-04-20 にWayback MachineにアーカイブされましたMPEG-1/2 ビデオ/オーディオ エンコーダ
• TooLAME高品質の MPEG-1 Audio Layer II エンコーダー。
• LAME高品質の MP3 オーディオ エンコーダー。
• Musepack元々は MPEG-1 Audio Layer II に基づいた形式ですが、現在は互換性がありません。

• ISO/IEC のワーキンググループである Moving Picture Experts Group (MPEG) の公式 Web ページ。2017 年 12 月 7 日にWayback Machineにアーカイブされました。
• MPEG 業界フォーラム組織 2004-08-30 にWayback Machineでアーカイブ
• MPEG-1 を実装するためのソースコード 2006-12-30 にWayback Machineにアーカイブされました
• バークレーマルチメディア研究センターによるシンプルで簡潔な説明