MP3

MP3 の非可逆圧縮アルゴリズムは、人間の聴覚の知覚限界である聴覚マスキングを利用しています。1894 年、アメリカの物理学者Alfred M. Mayerは、ある音はより低い周波数の別の音によって聞こえなくなる可能性があると報告しました。^{[ 18 ]} 1959 年、Richard Ehmer はこの現象に関する一連の聴覚曲線を記述しました。^{[ 19 ]} 1967 年と 1974 年の間に、Eberhard Zwicker は、重要な周波数帯域のチューニングとマスキングの分野で研究を行いました。^{[ 20 ] [ 21 ]}これは、 Harvey Fletcherとベル研究所の共同研究者によるこの分野の基礎研究に基づいています。^{[ 22 ]}

知覚符号化は、線形予測符号化（LPC）^{[ 23 ]}による音声符号化圧縮に初めて使用され、これは1966年に板倉文忠（名古屋大学）と斎藤修三（日本電信電話）の研究に端を発している。^{[ 24 ]} 1978年、ベル研究所のビシュヌ・S・アタルとマンフレッド・R・シュローダーは、人間の耳のマスキング特性を利用した心理音響符号化アルゴリズムを使用した適応予測符号化と呼ばれるLPC音声コーデックを提案した。 ^{[ 23 ] [ 25 ]}シュローダーとアタルがJLホールと共に行ったさらなる最適化は、後に1979年の論文で報告された。^{[ 26 ]}同年、MA Krasner ^{[ 27 ]}も心理音響マスキングコーデックを提案し、音声用のハードウェア（音楽のビット圧縮には使用できない）を出版・製造したが、比較的無名のリンカーン研究所技術報告書^{[ 28 ]}に掲載された彼の研究成果は、心理音響コーデック開発の主流にすぐには影響を与えなかった。

1972 年にNasir Ahmedによって提案された、非可逆圧縮用の変換符号化の一種である離散コサイン変換 (DCT)は、 1973 年に Ahmed と T. Natarajan およびKR Raoによって開発され、1974 年にその結果が発表されました。^{[ 29 ] [ 30 ] [ 31 ]}これにより、1986 年にPrincen と Bradley による以前の研究に続き、1987 年に JP Princen、AW Johnson、および AB Bradley によって提案された修正離散コサイン変換(MDCT) の開発につながりました。 ^{[ 32 ] [ 33 ]} MDCT は後に MP3 アルゴリズムの中核部分となりました。^{[ 34 ]}

エルンスト・テルハルトと他の共同研究者は、1982年に聴覚マスキングを高精度で記述するアルゴリズムを構築した。^{[ 35 ]}この研究は、フレッチャーに遡る著者によるさまざまな報告や、最初に臨界比と臨界帯域幅を決定した研究に加わった。

1985年、AtalとSchroederは、当時としては大きなデータ圧縮率を達成した、聴覚マスキングを備えたLPCベースの知覚音声符号化アルゴリズムであるコード励起線形予測（CELP）を発表しました。 ^{[ 23 ]} IEEEの査読付きJournal on Selected Areas in Communicationsは、1988年にさまざまな（主に知覚的な）音声圧縮アルゴリズムについて報告しました。^{[ 36 ]} 1988年2月に発行された「Voice Coding for Communications」版では、確立された実用的な音声ビット圧縮技術の幅広い範囲について報告しており、^{[ 36 ]}その中には基本的な設計の一部として聴覚マスキングを使用しているものや、リアルタイムのハードウェア実装を示しているものもいくつかあります。

MP3技術の起源は、数年間ISO MPEGオーディオグルー​​プの議長を務めたハンス・ムスマン教授の論文^{[ 37 ]}に詳しく記述されています。1988年12月、MPEGはオーディオ符号化規格を要求しました。1989年6月、14のオーディオ符号化アルゴリズムが提出されました。これらの符号化提案にはいくつかの類似点があったため、4つの開発グループに分類されました。最初のグループは、フラウンホーファー協会、AT&T、CNET（フランス・テレコム）、トムソンによるASPECでした^{[ 38 ]}。2番目のグループは、松下電器産業、CCETT、ITT、フィリップスによるMUSICAMでした。3番目のグループは、富士通、JVC、NEC、ソニーによるATAC（ATRAC符号化）でした。そして4番目のグループは、 NTTとBTRLによるSB-ADPCMでした^{[ 37 ] 。}

MP3 の直前の前身は、周波数領域における最適符号化 (OCF) ^{[ 39 ]}と知覚変換符号化 (PXFM) ^{[ 40 ]}でした。これらの 2 つのコーデックは、トムソン・ブラントによるブロック切り替えの貢献とともに、ASPEC というコーデックに統合され、MPEG に提出されて品質競争に勝ちましたが、実装するには複雑すぎるとして却下されました。ハードウェアでのオーディオ知覚コーダー (OCF) の最初の実用的な実装 (クラスナーのハードウェアは実用には扱いにくく遅すぎた) は、モトローラ 56000デジタル信号プロセッサ(DSP) チップに基づく心理音響変換コーダーの実装でした。

MP3フォーマットと技術のもう1つの前身は、心理音響モデルによって駆動される整数演算32サブバンドフィルタバンクに基づく知覚コーデックMUSICAMでした。これは主にデジタルオーディオ放送（デジタルラジオ）とデジタルテレビ向けに設計され、その基本原理は、1989年から松下電器産業とフィリップスと共同でMUSICAMに取り組んだ後、1​​991年にアトランタで開催されたIEEE- ICASSP会議でCCETT（フランス）とIRT（ドイツ）によって科学コミュニティに公開されました^{[ 41 ]。[ 37 ]}

COFDM変調を使用する放送システムに組み込まれたこのコーデックは、1991年のNABショー（ラスベガス）でRadio CanadaとCRC Canadaとともに、オンエアとフィールドで実証されました^{[ 42 ]。}この放送システムのオーディオ部分の実装は、2チップエンコーダ（1つはサブバンド変換用、もう1つはG. Stoll （IRTドイツ）のチームが設計した心理音響モデル用、後に心理音響モデルIとして知られる）と、YF Deheryのチーム（CCETT、フランス）が設計した整数演算ソフトウェアを実行するMotorola 56001 DSPチップを使用したリアルタイムデコーダに基づいています。対応するデコーダーのシンプルさと、48kHzの サンプリングレート、20ビット/サンプルの入力フォーマット（1991年当時利用可能な最高のサンプリング規格であり、AES/EBUプロフェッショナルデジタル入力スタジオ規格と互換性がある）を初めて採用したこのコーデックの高いオーディオ品質が、後にMUSICAMの特性を高度なデジタル音楽圧縮コーデックの基本機能として採用する主な理由となった。

MUSICAMエンコーディングソフトウェアの開発中、StollとDeheryのチームは、欧州放送連合のオーディオ専門家グループによって選定され、後に音楽圧縮コーデックの評価の基準として使用された一連の高品質オーディオ評価資料^{[ 43 ]}を徹底的に活用しました。サブバンド符号化技術は、高品質サウンド素材の知覚符号化だけでなく、特に重要な打楽器サウンド素材（ドラム、トライアングルなど）の符号化にも効果的であることがわかりました。これは、MUSICAMサブバンドフィルタバンクの特定の時間マスキング効果によるものです（この利点は、短い変換符号化技術の特有の機能です）。

カールハインツ・ブランデンブルクは、ドイツのエアランゲン・ニュルンベルク大学の博士課程の学生として、1980年代初頭にデジタル音楽圧縮の研究を始め、人々が音楽をどのように知覚するかに焦点を当てた。彼は1989年に博士号を取得した。^{[ 44 ]} MP3はOCFとPXFMから直接派生したもので、AT&Tベル研究所のジェームズ・D・ジョンストン（「JJ」）と共にAT&Tベル研究所でポスドク研究員として働いていたブランデンブルクと、エアランゲンのフラウンホーファー集積回路研究所（ベルンハルト・グリルと他の4人の研究者「オリジナル・シックス」^{[ 45 ]}と共に働いていた）との共同研究の成果であり、心理音響サブバンドコーダーのMP2部門からの貢献は比較的小さい。1990年、ブランデンブルクはエアランゲン・ニュルンベルク大学の助教授になった。ブランデンブルクは、その地でフラウンホーファー協会のハインリッヒ・ヘルツ研究所の科学者たちと音楽圧縮の研究を続けた。1993年、彼はエアランゲンのフラウンホーファーIISのスタッフに加わった。^{[ 46 ] [ 44 ]}スザンヌ・ヴェガの「トムズ・ダイナー」のアカペラバージョンは、ブランデンブルクがMP3フォーマットを開発するために最初に使用した曲だった。これは、MP3の圧縮アルゴリズムが人間の声をどれだけうまく処理できるかを確認するためのベンチマークとして使用された。ブランデンブルクはこの曲をテスト目的で採用し、圧縮アルゴリズムを改良するたびに何度も聴き、ヴェガの声の再現に悪影響を与えないことを確認した。^{[ 47 ]}そのため、彼はヴェガを「MP3の母」と呼んだ。^{[ 48 ]}

1991年、MPEGオーディオ規格の提案として、MUSICAM（Masking pattern adapted Universal Subband Integrated Coding And Multiplexing）とASPEC（Adaptive Spectral Perceptual Entropy Coding）の2つが評価されました。フィリップス（オランダ）、CCETT（フランス）、放送技術研究所（ドイツ）、松下電器産業（日本）が提案したMUSICAM技術[ 49 ]は^{、そのシンプル}さとエラー耐性、そして高い計算効率^{[ 50 ]}から選ばれました。サブバンド符号化に基づくMUSICAMフォーマットは、フレーム構造、ヘッダーフォーマット、サンプルレートなどを組み込んだMPEGオーディオ圧縮フォーマットの基礎となりました。

MUSICAM の技術とアイデアの多くは MPEG Audio Layer I と Layer II の定義に組み込まれましたが、MUSICAM のフィルタ バンクと 1152 サンプル フレーミング (ファイル フォーマットとバイト指向ストリーム) に基づくデータ構造は、計算効率の悪いハイブリッドフィルタバンクの一部として Layer III (MP3) フォーマットに残りました。ライプニッツ大学ハノーバーの Musmann 教授が議長を務め、標準の編集は Leon van de Kerkhof (オランダ)、Gerhard Stoll (ドイツ)、Yves-François Dehery (フランス) に委任され、彼らは Layer I と Layer II に取り組みました。ASPEC は AT&T Bell Laboratories、Thomson Consumer Electronics、Fraunhofer Society、CNETの共同提案でした。^{[ 51 ]}最高の符号化効率を提供しました。

ファン・デ・ケルクホフ、ストール、レオナルド・キアリリオーネ（CSELTメディア担当副社長）、イヴ＝フランソワ・デヘリー、カールハインツ・ブランデンブルク（ドイツ）、ジェームズ・D・ジョンストン（米国）からなるワーキンググループは、ASPEC のアイデアを取り入れ、レイヤー II のフィルターバンクを統合し、MUSICAM の共同ステレオ符号化などのアイデアを追加して、MP3 フォーマットを作成しました。MP3 は、192 kbit/sのMP2と同じ品質を128 kbit/sで実現するように設計されています。

MPEG-1 オーディオ レイヤ I、II、III のアルゴリズムは 1991 年に承認され^{[ 14 ] [ 15 ]}、1992 年に最終決定されました^{[ 16 ]} 。これは、 MPEGによる最初の標準スイートであるMPEG-1の一部であり、その結果、1993 年に国際標準ISO/IEC 11172-3 (別名MPEG-1 オーディオまたはMPEG-1 パート 3 ) が発行されました^{[ 7 ]。}この標準に準拠するファイルまたはデータ ストリームは、48k、44100、および 32k のサンプル レートを処理する必要があり、現在のMP3 プレーヤーおよびデコーダで引き続きサポートされます。したがって、最初の世代の MP3 では、 MP3 フレーム データ構造とサイズ レイアウトの14 × 3 = 42 通りの解釈が定義されました。

エンコーダの圧縮効率は、通常ビットレートで定義されます。これは、圧縮率が入力信号のビット深度とサンプリングレートに依存するためです。しかしながら、圧縮率が公表されることもよくあります。その場合、コンパクトディスク（CD）のパラメータ（44.1 kHz、1チャンネルあたり16ビットの2チャンネル、または2×16ビット）を基準とする場合もあれば、デジタルオーディオテープ（DAT）SPのパラメータ（48 kHz、2×16ビット）を基準とする場合もあります。後者の基準を用いた場合の圧縮率は高くなりますが、これは、非可逆エンコーダに圧縮率 という用語を使用することの問題点を示しています。

ブランデンブルクは、MP3圧縮アルゴリズムを評価および改良するために、スザンヌ・ヴェガの曲「トムズ・ダイナー」の CD 録音を使用しました。^{[ 52 ]}この曲は、ほぼモノラルでスペクトル成分が広いため、再生中に圧縮形式の不完全さを聞き取りやすくするために選ばれました。この特定のトラックには、2 つのチャンネルがほぼ同じですが、完全に同じではないという興味深い特性があり、エンコーダが状況を適切に認識して MPEG-2 AAC 心理音響モデルで詳述されているものと同様の補正を適用しない限り、バイノーラル マスキング レベル低下によりノイズ アーティファクトの空間的マスキング解除が発生するケースにつながります。EBU V3/SQAM リファレンス コンパクト ディスクから、より重要なオーディオ抜粋 (グロッケンシュピール、トライアングル、アコーディオンなど) が取得され、プロのサウンド エンジニアによって MPEG オーディオ フォーマットの主観的な品質を評価するために使用されています。

C 言語で記述され、後にISO 11172-5として知られる参照シミュレーション ソフトウェア実装は、ビット準拠の MPEG オーディオ ファイル (レイヤー 1、レイヤー 2、レイヤー 3) を生成するために、ISO MPEG オーディオ委員会のメンバーによって (1991 ～ 1996 年) 開発されました。これは、1994 年 3 月に ISO/IEC 技術レポートの委員会ドラフトとして承認され、1994 年 4 月に文書 CD 11172-5 として印刷されました。^{[ 53 ]}これは、1994 年 11 月にドラフト技術レポート (DTR/DIS) として承認され、^{[ 54 ]} 1996 年に最終化され、1998 年に国際標準 ISO/IEC TR 11172-5:1998 として発行されました。^{[ 55 ]} C 言語の参照ソフトウェアは、後に自由に利用できる ISO 標準として公開されました。^{[ 56 ]}いくつかのオペレーティングシステム上で非リアルタイムで動作し、圧縮オーディオの最初のリアルタイムハードウェアデコード（DSPベース）を実証することができました。MPEGオーディオエンコーダとデコーダの他のリアルタイム実装^{[ 57 ]}は、消費者向け受信機やセットトップボックス向けのデジタル放送（ラジオDAB、テレビDVB ）に利用可能でした。

1994 年 7 月 7 日、フラウンホーファー協会は、 l3encという名の最初のソフトウェア MP3 エンコーダをリリースしました。^{[ 58 ]}ファイル名拡張子.mp3は、1995 年 7 月 14 日にフラウンホーファー チームによって選ばれました (以前はファイル名は.bitでした)。^{[ 59 ] [ 2 ]}最初のリアルタイム ソフトウェア MP3 プレーヤーWinPlay3 (1995 年 9 月 9 日リリース) により、多くの人が PC で MP3 ファイルをエンコードして再生できるようになりました。当時のハードディスクは比較的小さかった (約 500 ～ 1000 MB ) ため、複数のアルバム分の音楽を完全な録音としてホーム コンピュータに保存するには、非可逆圧縮が不可欠でした ( MIDI記譜法や、記譜法と楽器が単音を演奏する短い録音を組み合わせたトラッカーファイルとは異なります)。

1990年代後半、MP3ファイルはインターネット上で広まり始め、多くの場合、アンダーグラウンドの海賊版音楽ネットワークを介していました。インターネット配信の最初の既知の実験は、1990年代初頭にインターネットアンダーグラウンドミュージックアーカイブ（IUMAの略称でよく知られています）によって組織されました。非圧縮オーディオファイルを使用したいくつかの実験^{[ 69 ]}の後、このアーカイブは、MP2（Layer II）形式を使用して圧縮されたMPEGオーディオファイルをネイティブの低速イン​​ターネット上で配信し始め、その後、標準が完全に完成するとMP3ファイルを使用するようになりました。MP3の人気は、1997年にリリースされたNullsoftのオーディオプレーヤーWinampの登場とともに急速に高まり始め、2023年時点でも8000万人のアクティブユーザーのコミュニティがありました。^{[ 70 ]} 1998年、Windows Media Player 5.2以降はMP3フォーマットのサポートが追加され、韓国ソウルに本社を置くSaeHan Information Systemsが開発した初のポータブルソリッドステートデジタルオーディオプレーヤーMPManが発売され、RIAAによる法的抑圧の試みにもかかわらず、その後1998年にRio PMP300が販売された。^{[ 71 ]}

1997年11月、ウェブサイトmp3.comは、インディーズアーティストが作成した数千ものMP3を無料で提供していた。^{[ 71 ]} MP3ファイルのサイズが小さいため、以前はほぼ不可能だったCDからリッピングした音楽のピアツーピアファイル共有が広く普及した。最初の大規模なピアツーピアファイル共有ネットワークであるNapsterは1999年に立ち上げられた。MP3の作成と共有が容易になったことで、著作権侵害が広まった。大手レコード会社は、この音楽の無料共有が売上を減少させ、「音楽海賊行為」と呼んだ。彼らは、最終的に閉鎖され、後に売却されたNapsterと、ファイル共有に関与した個々のユーザーに対して訴訟を起こすことで対応した。Napsterは後に合法的な音楽ストリーミングサービスとして復活した。^{[ 72 ]}

次世代のピアツーピアネットワーク上では、無許可のMP3ファイル共有が依然として続いている。Amazon.com 、Beatport、Bleep、eMusic、Juno Records、そして復活したNapsterといった正規サービスでは、MP3形式の音楽を制限なく販売している。

MP3ファイルの構造図（ここでは説明しないMPEGバージョン2.5では、同期ワードの最後のビットを0に変更して表示し、実質的に1ビットをバージョンフィールドに移動させる。^{[ 66 ]}）

MP3 ファイルは、ヘッダーとデータ ブロックからなる MP3 フレームで構成されています。このフレームのシーケンスは、基本ストリームと呼ばれます。ビット リザーバのため、フレームは独立した項目ではなく、通常は任意のフレーム境界で抽出することはできません。MP3 データ ブロックには、周波数と振幅の (圧縮された) オーディオ情報が含まれています。図に示すように、MP3 ヘッダーは、有効なフレームの開始を識別するために使用される同期ワードで構成されています。これに続いて、これがMPEG標準であることを示す 1 ビットと、レイヤー 3 が使用されていることを示す 2 ビットが続きます。したがって、MPEG-1 オーディオ レイヤー 3 または MP3 となります。その後、値は MP3 ファイルによって異なります。ISO /IEC 11172-3 は、ヘッダーの仕様とともに、ヘッダーの各セクションの値の範囲を定義しています。今日のほとんどの MP3 ファイルには、図に示すように、MP3 フレームの前または後にID3メタデータが含まれています。データ ストリームには、オプションのチェックサムを含めることができます。

ジョイントステレオはフレーム単位でのみ行われます。^{[ 73 ]}

要するに、MP3圧縮は、（心理音響分析によって）ほとんどの人間の聴覚能力を超えていると考えられる音の特定の成分の精度を低下させることによって機能します。この方法は一般的に知覚符号化または心理音響モデリングと呼ばれています。^{[ 74 ]}残りの音声情報は、 MDCTおよびFFTアルゴリズムを使用してスペース効率の良い方法で記録されます。

MP3 エンコード アルゴリズムは、一般的に 4 つの部分に分かれています。パート 1 では、オーディオ 信号をフレームと呼ばれる小さな断片に分割し、出力に対して MDCT フィルタを実行します。パート 2 では、サンプルを 1024 ポイントの高速フーリエ変換(FFT) に渡して、心理音響モデルを適用し、出力に対して別の MDCT フィルタを実行します。パート 3 では、ノイズ割り当てと呼ばれる各サンプルを定量化してエンコードし、ビット レートとサウンド マスキングの要件を満たすように調整します。パート 4 では、オーディオ フレームと呼ばれるビット ストリームをフォーマットします。オーディオ フレームは、ヘッダー、エラー チェック、オーディオ データ、および補助データの 4 つの部分で構成されています。^{[ 34 ]}

MP3 はオーバーラップ MDCT 構造を使用します。各 MPEG-1 MP3 フレームは 1152 サンプルで、576 サンプルの 2 つの顆粒に分割されます。これらの 576 個の連続するサンプルは、最初は時間領域にあり、1 つのブロックで 576 個の周波数領域サンプルに変換されます。^{[ 75 ]} MP3 では、顆粒内のブロックを 192 サンプルまで短くすることもできます。この機能は、過渡現象が検出された場合に適用されます。これにより、過渡現象に伴う量子化ノイズの時間的広がりが制限されます (音響心理学を参照)。周波数分解能は、小さな長いブロック ウィンドウ サイズによって制限され、符号化効率が低下します。^{[ 73 ]}時間分解能は、過渡性の高い信号には低すぎる場合があり、打楽器の音のぼやけを引き起こす可能性があります。^{[ 73 ]}

フィルタバンクのツリー構造のため、2 つのフィルタバンクの結合インパルス応答は時間/周波数分解能で最適なソリューションを提供しないため、プリエコーの問題が悪化します。^{[ 73 ]}さらに、2 つのフィルタバンクの出力を組み合わせると、エイリアシング補償ステージで部分的に処理する必要のあるエイリアシング問題が発生しますが、これにより周波数領域で符号化される余剰エネルギーが発生し、符号化効率が低下します。^{[ 76 ]}

一方、デコードは規格で厳密に定義されています。ほとんどのデコーダーはビットストリーム準拠であり、これは、特定のMP3ファイルから生成されるデコード出力が、指定された丸め許容範囲内で、ISO/IEC高規格文書（ISO/IEC 11172-3）で数学的に指定された出力と同じであることを意味します。したがって、デコーダーの比較は通常、計算効率（つまり、デコード処理で使用するメモリまたはCPU時間）に基づいて行われます。時間の経過とともに、 CPUクロックレートがMHzからGHzに移行するにつれて、この問題はそれほど重要ではなくなりました。エンコーダー/デコーダーの全体的な遅延は定義されていないため、ギャップレス再生の公式な規定はありません。ただし、LAMEなどの一部のエンコーダーは、対応するプレーヤーがシームレスな再生を実現できるように、追加のメタデータを付加することができます。

MP3データストリームを作成するなど、非可逆音声エンコードを実行する場合、生成されるデータ量と結果の音質の間にはトレードオフがあります。MP3を生成する人は、1秒あたり何キロビットの音声が必要かを指定するビットレートを選択します。ビットレートが高いほど、MP3データストリームは大きくなり、一般的に元の録音に近くなります。ビットレートが低すぎると、圧縮アーティファクト（つまり、元の録音には存在しなかった音）が再生時に聞こえることがあります。ランダム性と鋭いアタックのため、圧縮が難しい音声もあります。このような音声を圧縮すると、リンギングやプリエコーなどのアーティファクトが通常聞こえます。比較的低いビットレートの拍手やトライアングル楽器のサンプルは、圧縮アーティファクトの良い例です。知覚コーデックの主観的テストでは、このような種類の音源の使用を避ける傾向があるが、このフォーマットの基盤となっているレイヤーIIの32サブバンドフィルタバンクの特定の時間マスキング機能により、打楽器音によって生成されるアーティファクトはほとんど知覚できない。

MPEG -1規格には MP3 エンコーダの正確な仕様は含まれていませんが、元の規格​​の非規範的な部分で心理音響モデル、レート ループなどの例が提供されています。^{[ 77 ]}この記述がなされた時点では、提案された実装はかなり古いものでした。規格の実装者は、音声入力から情報の一部を除去するのに適したアルゴリズムを考案することになっていました。その結果、さまざまな MP3 エンコーダが利用可能になり、それぞれ異なる品質のファイルが生成されました。比較は広く利用可能だったので、エンコーダの将来のユーザーが最適な選択肢を調べるのは簡単でした。高ビットレートでのエンコードに優れたエンコーダ ( LAMEなど) の中には、低ビットレートでは必ずしもそれほど優れていないものもありました。

MP3エンコードされた音声の品質は、エンコードされた音声のビットレートに加えて、エンコーダアルゴリズムの品質とエンコードされる信号の複雑さにも依存します。MP3規格ではエンコードアルゴリズムにかなりの自由度があるため、同じビットレートであっても、エンコーダによって品質が大きく異なります。たとえば、約128 kbit/sに設定された2つの初期のMP3エンコーダを使用した公開リスニングテストでは、^{[ 78 ]} 1つは1～5のスケールで3.66を獲得しましたが、もう1つはわずか2.22でした。品質はエンコーダとエンコードパラメータの選択に依存します。^{[ 79 ]}

この発見は、オーディオエンコーディングに革命をもたらしました。当初、ビットレートは唯一の重要な考慮事項でした。当時、MP3ファイルは非常にシンプルなタイプで、ファイル全体で同じビットレートを使用していました。このプロセスは、定ビットレート（CBR）エンコーディングとして知られています。定ビットレートを使用すると、エンコーディングが簡単になり、CPU負荷も軽減されます。しかし、ファイル全体でビットレートが変化するファイルを作成することで、ファイルサイズを最適化することもできます。これらは可変ビットレートとして知られています。ビットリザーバーとVBRエンコーディングは、オリジナルのMPEG-1規格の一部でした。これらの背後にある概念は、あらゆるオーディオにおいて、無音や少数の音しか含まない音楽など、圧縮しやすい部分と、圧縮しにくい部分があるということです。したがって、複雑でない部分には低いビットレートを、複雑な部分には高いビットレートを使用することで、ファイルの全体的な品質を向上させることができます。一部の高度なMP3エンコーダでは、特定の品質を指定することができ、エンコーダはそれに応じてビットレートを調整します。耳に違和感のない特定の「音質設定」を求めるユーザーは、すべての音楽をエンコードする際にこの値を使用でき、一般的には、適切なビットレートを決定するために各楽曲について個人的なリスニングテストを行う必要はありません。

知覚される音質は、リスニング環境（周囲の騒音）、リスナーの注意、リスナーのトレーニング、そしてほとんどの場合リスナーのオーディオ機器（サウンドカード、スピーカー、ヘッドホンなど）によって影響を受ける可能性があります。さらに、講義や人間の音声アプリケーションでは、より低い品質設定でも十分な品質が得られ、エンコード時間と複雑さが軽減されます。スタンフォード大学の音楽教授ジョナサン・バーガーが新入生に実施したテストでは、MP3品質の音楽に対する学生の好みが年々高まっていることが示されました。バーガーは、学生はMP3が音楽にもたらす「きらめき」音を好むようだと述べています。^{[ 80 ]}

MP3オーディオ品質の詳細な研究であるサウンドアーティスト兼作曲家のライアン・マグワイアのプロジェクト「The Ghost in the MP3」は、MP3圧縮中に失われた音を分離します。2015年に彼は、MP3規格の策定に元々使用された楽曲「Tom's Diner」のMP3圧縮中に削除された音のみで構成された楽曲「moDernisT」（「Tom's Diner」のアナグラム）を^{リリースしました。MP3圧縮中に削除}された音を分離するために使用された技術の詳細と、プロジェクトの概念的な動機は、2014年の国際コンピュータ音楽会議の議事録に掲載されました。^{[ 84 ]}

ビットレート（技術的にはデータレート）は、通常ビット/秒で測定され、オーディオデータをエンコードする際に、サンプルサイズ（オーディオサンプルあたりのビット数）とサンプリングレートに関連しています16ビットサンプルを使用した単純なパルス符号変調でエンコードされます2つのチャンネル（左と右）それぞれについて、毎秒44,100回。したがって、 毎秒44,100サンプル​ 1サンプルあたり16ビット2 チャンネルで1,411,200ビット/秒 ― 非圧縮CDデジタルオーディオのデータレート。MP3はこのデータをエンコードするために設計されました。1411  kbit/s の生データ320  kbit/s以下。MP3アルゴリズムによって比較的単純な音声部分が検出された場合は、より低いビットレートが使用される場合があります。

以下の2つの表に示すように：

• MPEG-1 Audio Layer III 規格では、32、40、48、56、64、80、96、112、128、160、192、224、256、320 kbit/sの 14 種類のビットレートと、利用可能なサンプリング レートの 3 つである 32、44.1、48 kHzが認められています。^{[ 66 ]} 
• MPEG-2 Audio Layer III では、8、16、24、32、40、48、56、64、80、96、112、128、144、160 kbit/sの 14 種類のグローバルに低いビットレートと、MPEG-1 のちょうど半分である16、22.05、24 kHzのサンプリングレートも許可されています。 ^{[ 66 ]} 
• MPEG-2.5オーディオレイヤーIIIフレームは、8、16、24、32、40、48、56、64 kbit/sの8種類のビットレートと、8、11.025、12  kHzの3種類のさらに低いサンプリングレートに制限されています。

以前のシステムでは、MP3 の早送りや巻き戻しの再生制御もありませんでした。 ^{[ 86 ] [ 87 ]}

MPEG-1 フレームは、最も高い許容ビットレート設定である320 kbit/sモードで最も詳細を含んだ^{[ 88 ]} 、無音と単純なトーンは依然として32 kbit/sを必要とする。MPEG-2 フレームは、最大160 kbit/s を必要とする最大 12 kHz の音声再生をキャプチャできる。

44.1 kHz のサンプリング レートは、MP3 ファイルを作成する主なソースであるCD オーディオ にも使用されているため、音楽再生によく使用されます。インターネットではさまざまなビット レートが使用されています。128 kbit/sのビット レートが一般的に使用されており、圧縮率は 11:1 で、比較的小さなスペースで十分なオーディオ品質を提供します。^{[ 89 ]}インターネットの帯域幅とハード ドライブの容量が増加するにつれて、最大320 kbit/sのより高いビット レートが広く普及しています。オーディオ CD に保存されている非圧縮オーディオのビット レートは1,411.2 kbit/sです(16 ビット/サンプル× 44,100 サンプル/秒× 2 チャンネル/ 1,000 ビット/キロビット)。したがって、128、160、192 kbit/sのビット レートは、それぞれ約 11:1、9:1、7:1 の圧縮率を表します。   

LAMEエンコーダとフリーフォーマットオプションを使用すると、最大640 kbit/sの非標準ビットレートを実現できますが、これらのファイルを再生できるMP3プレーヤーはほとんどありません。ISO規格によると、デコーダは最大320 kbit/sのストリームをデコードできるだけで十分です。^{[ 90 ] [ 91 ] [ 92 ]}初期のMPEG Layer IIIエンコーダは、現在では定ビットレート（CBR）と呼ばれるものを使用していました。このソフトウェアは、MP3ファイルのすべてのフレームで均一なビットレートしか使用できませんでした。その後、より高度なMP3エンコーダは、ビットリザーバーを使用して平均ビットレートをターゲットにし、録音のその部分の音の複雑さに基づいて各フレームのエンコードレートを選択できるようになりました。

^{より高度な MP3 エンコーダは、}可変ビットレートのオーディオを生成できます。MPEG オーディオはフレームごとにビットレートの切り替えを使用できますが、レイヤー III デコーダのみがそれをサポートする必要があります。^{[ 66 ] [ 93 ] [ 94 ] [ 95 ]} VBR は、一定の品質レベルを達成することが目的の場合に使用されます。VBR エンコードの最終的なファイル サイズは、一定ビットレートの場合よりも予測しにくくなります。平均ビットレートは、この 2 つの間の妥協として実装された VBR の一種です。ビット レートは、より一貫した品質のために変化できますが、予測可能なファイル サイズのために、ユーザーが選択した平均値の近くに留まるように制御されます。MP3 デコーダは標準に準拠するために VBR をサポートする必要がありますが、歴史的に、特に VBR エンコーダが普及する前は、一部のデコーダには VBR デコードに関するバグがありました。

MPEG規格では最大320 kbit/sのビットレートが認められていますが、MP3仕様の見落としにより、標準CDサンプリングレート44.1 kHzで320 kbit/s（ VBRファイル内の320 kbit/sフレームを含む）を使用すると、規格で認められているよりも大きなフレームが生成されます。ほとんどのプレーヤーはこれらのファイルも再生できます。44.1 kHzで規格に厳密に準拠する 最高ビットレートは256 kbit/sです​​。48 kHzではフレームサイズが制限内に収まるため、これは問題になりません。MPEG-1の場合、制限は1フレームあたり7680ビットで、これは320 kbpsの48 KHzフレームのサイズです。^{[ 96 ]}  

レイヤ III オーディオは、部分的に満たされたフレームが次のフレームのオーディオ データの一部を保持できるビット リザーバも使用でき、一定のビット レート ストリームでも実効ビット レートを一時的に変更できます。 ^{[ 66 ] [ 93 ]}ビット リザーバの内部処理により、エンコード遅延が増加します。^{[ 97 ]}約 16 kHzを超える周波数にはスケール ファクター バンド 21 (sfb21) がないため、エンコーダはバンド 21 での精度の低い表現か、バンド 21 より低いすべてのバンドでの効率の低いストレージのどちらかを選択せざるを得ず、後者は VBR エンコードでビット レートの無駄につながります。^{[ 98 ]} 

補助データフィールドは、ユーザー定義データを格納するために使用できます。補助データはオプションであり、使用可能なビット数は明示的に指定されていません。補助データはハフマン符号ビットの後に配置され、次のフレームの main_data_begin が指す位置までの範囲です。エンコーダmp3PROは、補助データを使用して追加情報をエンコードし、そのアルゴリズムで復号化する際にオーディオ品質を向上させることができます。

音声ファイル内のタグは、タイトル、アーティスト、アルバム、トラック番号、またはファイルの内容に関するその他の情報などのメタデータを含むファイルの一部です。MP3規格ではMP3ファイルのタグ形式は定義されておらず、メタデータをサポートしてタグの必要性をなくす標準コンテナ形式もありません。しかし、タグ形式にはいくつかの事実上の標準が存在します。2010年現在、最も広く普及しているのはID3v1とID3v2、そして最近導入されたAPEv2です。これらのタグは通常、実際のMP3フレームデータとは別に、MP3ファイルの先頭または末尾に埋め込まれます。MP3デコーダは、タグから情報を抽出するか、タグを無視可能な非MP3ジャンクデータとして扱います。

再生および編集ソフトウェアにはタグ編集機能が含まれていることが多いが、専用のタグエディタアプリケーションもある。オーディオコンテンツに関するメタデータ以外にも、タグはDRMにも使用されることがある。^{[ 99 ]} ReplayGainは、MP3ファイルの音量（オーディオ正規化）を測定し、メタデータタグに保存するための標準規格であり、ReplayGain準拠のプレーヤーが各ファイルの全体的な再生音量を自動的に調整できるようにする。MP3Gainは、ReplayGainの測定値に基づいてファイルを可逆的に変更するために使用でき、ReplayGain機能を持たないプレーヤーでも調整された再生を実現できる。