MP3

El algoritmo de compresión con pérdida MP3 aprovecha una limitación perceptiva de la audición humana llamada enmascaramiento auditivo . En 1894, el físico estadounidense Alfred M. Mayer informó que un tono podía volverse inaudible por otro tono de menor frecuencia. ^{[ 18 ]} En 1959, Richard Ehmer describió un conjunto completo de curvas auditivas con respecto a este fenómeno. ^{[ 19 ]} Entre 1967 y 1974, Eberhard Zwicker trabajó en las áreas de sintonización y enmascaramiento de bandas de frecuencia críticas, ^{[ 20 ] [ 21 ]} que a su vez se basó en la investigación fundamental en el área de Harvey Fletcher y sus colaboradores en Bell Labs . ^{[ 22 ]}

La codificación perceptual se utilizó por primera vez para la compresión de codificación de voz con codificación predictiva lineal (LPC), ^{[ 23 ]} que tiene sus orígenes en el trabajo de Fumitada Itakura ( Universidad de Nagoya ) y Shuzo Saito ( Nippon Telegraph and Telephone ) en 1966. ^{[ 24 ]} En 1978, Bishnu S. Atal y Manfred R. Schroeder en Bell Labs propusieron un códec de voz LPC , llamado codificación predictiva adaptativa , que utilizaba un algoritmo de codificación psicoacústica que explotaba las propiedades de enmascaramiento del oído humano. ^{[ 23 ] [ 25 ]} Posteriormente, Schroeder y Atal con JL Hall informaron de una optimización adicional en un artículo de 1979. ^{[ 26 ]} Ese mismo año, MA Krasner también propuso un códec de enmascaramiento psicoacústico, ^{[ 27 ]} quien publicó y produjo hardware para voz (no utilizable como compresión de bits de música), pero la publicación de sus resultados en un informe técnico relativamente oscuro del Laboratorio Lincoln ^{[ 28 ]} no influyó de inmediato en la corriente principal del desarrollo de códecs psicoacústicos.

La transformada discreta del coseno (DCT), un tipo de codificación de transformada para compresión con pérdidas, propuesta por Nasir Ahmed en 1972, fue desarrollada por Ahmed con T. Natarajan y KR Rao en 1973; publicaron sus resultados en 1974. ^{[ 29 ] [ 30 ] [ 31 ]} Esto condujo al desarrollo de la transformada discreta del coseno modificada (MDCT), propuesta por JP Princen, AW Johnson y AB Bradley en 1987, ^{[ 32 ]} siguiendo el trabajo anterior de Princen y Bradley en 1986. ^{[ 33 ]} La MDCT se convirtió más tarde en una parte central del algoritmo MP3. ^{[ 34 ]}

Ernst Terhardt y otros colaboradores construyeron un algoritmo que describe el enmascaramiento auditivo con alta precisión en 1982. ^{[ 35 ]} Este trabajo se sumó a una variedad de informes de autores que se remontan a Fletcher, y al trabajo que determinó inicialmente las relaciones críticas y los anchos de banda críticos.

En 1985, Atal y Schroeder presentaron la predicción lineal excitada por código (CELP), un algoritmo de codificación de voz perceptual basado en LPC con enmascaramiento auditivo que logró una relación de compresión de datos significativa para su época. ^{[ 23 ]} La revista arbitrada de IEEE sobre áreas seleccionadas en comunicaciones informó sobre una amplia variedad de algoritmos de compresión de audio (principalmente perceptuales) en 1988. ^{[ 36 ]} La edición de "Voice Coding for Communications" publicada en febrero de 1988 informó sobre una amplia gama de tecnologías de compresión de bits de audio establecidas y en funcionamiento, ^{[ 36 ]} algunas de ellas utilizando enmascaramiento auditivo como parte de su diseño fundamental, y varias mostrando implementaciones de hardware en tiempo real.

La génesis de la tecnología MP3 se describe detalladamente en un artículo del profesor Hans Musmann, ^{[ 37 ]} quien presidió el grupo ISO MPEG Audio durante varios años. En diciembre de 1988, MPEG solicitó un estándar de codificación de audio. En junio de 1989, se presentaron 14 algoritmos de codificación de audio. Debido a ciertas similitudes entre estas propuestas de codificación, se agruparon en cuatro grupos de desarrollo. El primer grupo fue ASPEC, de Fraunhofer Gesellschaft , AT&T , CNET ( France Telecom ) y Thomson . ^{[ 38 ]} El segundo grupo fue MUSICAM , de Matsushita , CCETT , ITT y Philips . El tercer grupo fue ATAC (ATRAC Coding), de Fujitsu , JVC , NEC y Sony . Y el cuarto grupo fue SB-ADPCM , de NTT y BTRL. ^{[ 37 ]}

Los predecesores inmediatos de MP3 fueron la Codificación Óptima en el Dominio de la Frecuencia (OCF) ^{[ 39 ]} y la Codificación de Transformación Perceptual (PXFM) ^{[ 40 ]} . Estos dos códecs, junto con las contribuciones de conmutación de bloques de Thomson-Brandt, se fusionaron en un códec llamado ASPEC, que se presentó a MPEG y ganó la competencia de calidad, pero que fue rechazado por ser demasiado complejo para implementar. La primera implementación práctica de un codificador perceptual de audio (OCF) en hardware (el hardware de Krasner era demasiado engorroso y lento para un uso práctico) fue una implementación de un codificador de transformación psicoacústica basado en chips de procesador de señal digital (DSP) Motorola 56000 .

Otro predecesor del formato y la tecnología MP3 fue el códec perceptual MUSICAM, basado en un banco de filtros de 32 subbandas con aritmética entera, impulsado por un modelo psicoacústico. Fue diseñado principalmente para la radiodifusión de audio digital (radio digital) y la televisión digital, y sus principios básicos fueron divulgados a la comunidad científica por CCETT (Francia) e IRT (Alemania) en Atlanta durante una conferencia IEEE- ICASSP en 1991, ^{[ 41 ]} después de haber trabajado en MUSICAM con Matsushita y Philips desde 1989. ^{[ 37 ]}

Este códec incorporado a un sistema de radiodifusión que utiliza modulación COFDM se demostró en el aire y en el campo ^{[ 42 ]} con Radio Canadá y CRC Canadá durante la feria NAB (Las Vegas) en 1991. La implementación de la parte de audio de este sistema de radiodifusión se basó en un codificador de dos chips (uno para la transformación de subbanda, otro para el modelo psicoacústico diseñado por el equipo de G. Stoll (IRT Alemania), más tarde conocido como modelo psicoacústico I) y un decodificador en tiempo real que utiliza un chip DSP Motorola 56001 que ejecuta un software de aritmética entera diseñado por el equipo de YF Dehery (CCETT, Francia). La sencillez del decodificador correspondiente, junto con la alta calidad de audio de este códec que utilizaba por primera vez una frecuencia de muestreo  de 48 kHz y un formato de entrada de 20 bits/muestra (el estándar de muestreo más alto disponible en 1991, compatible con el estándar de estudio de entrada digital profesional AES/EBU), fueron las principales razones para adoptar posteriormente las características de MUSICAM como características básicas para un códec avanzado de compresión de música digital.

Durante el desarrollo del software de codificación MUSICAM, el equipo de Stoll y Dehery utilizó exhaustivamente un conjunto de material de evaluación de audio de alta calidad ^{[ 43 ]} seleccionado por un grupo de profesionales del audio de la Unión Europea de Radiodifusión, y que posteriormente se utilizó como referencia para la evaluación de los códecs de compresión musical. Se comprobó que la técnica de codificación de subbandas era eficiente, no solo para la codificación perceptiva de materiales sonoros de alta calidad, sino especialmente para la codificación de materiales sonoros percusivos críticos (tambores, triángulo , etc.), debido al efecto de enmascaramiento temporal específico del banco de filtros de subbandas de MUSICAM (esta ventaja es una característica específica de las técnicas de codificación de transformada corta).

Como estudiante de doctorado en la Universidad de Erlangen-Nuremberg de Alemania , Karlheinz Brandenburg comenzó a trabajar en la compresión de música digital a principios de la década de 1980, centrándose en cómo las personas perciben la música. Completó su trabajo de doctorado en 1989. ^{[ 44 ]} MP3 desciende directamente de OCF y PXFM, representando el resultado de la colaboración de Brandenburg —trabajando como investigador postdoctoral en AT&T-Bell Labs con James D. Johnston ("JJ") de AT&T-Bell Labs— con el Instituto Fraunhofer de Circuitos Integrados , Erlangen (donde trabajó con Bernhard Grill y otros cuatro investigadores —"Los Seis Originales" ^{[ 45 ]} ), con contribuciones relativamente menores de la rama MP2 de codificadores de subbanda psicoacústica. En 1990, Brandenburg se convirtió en profesor asistente en Erlangen-Nuremberg. Mientras estuvo allí, continuó trabajando en compresión de música con científicos del Instituto Heinrich Herz de la Sociedad Fraunhofer . En 1993, se unió al personal del Fraunhofer IIS en Erlangen. ^{[ 46 ] [ 44 ]} Una versión a capella de la canción " Tom's Diner " de Suzanne Vega fue la primera canción que Brandenburg utilizó para desarrollar el formato MP3. Se utilizó como referencia para ver qué tan bien el algoritmo de compresión del MP3 manejaba la voz humana. Brandenburg adoptó la canción para fines de prueba, escuchándola una y otra vez cada vez que refinaba el algoritmo de compresión, asegurándose de que no afectara negativamente la reproducción de la voz de Vega. ^{[ 47 ]} En consecuencia, apodó a Vega la "Madre del MP3". ^{[ 48 ]}

En 1991, se evaluaron dos propuestas disponibles para un estándar de audio MPEG: MUSICAM ( Masking pattern adapt Universal Subband Integrated Coding And Multiplexing ) y ASPEC ( Adaptive Spectral Perceptual Entropy Coding ) . La técnica MUSICAM, propuesta por Philips ( Países Bajos ), CCETT (Francia), el Instituto de Tecnología de Radiodifusión ( Alemania) y Matsushita (Japón), ^{[ 49 ]} fue elegida debido a su simplicidad y robustez ante errores, así como por su alto nivel de eficiencia computacional. ^{[ 50 ]} El formato MUSICAM, basado en la codificación de subbandas , se convirtió en la base del formato de compresión de audio MPEG, incorporando, por ejemplo, su estructura de trama, formato de encabezado, frecuencias de muestreo, etc.

Si bien gran parte de la tecnología e ideas de MUSICAM se incorporaron a la definición de MPEG Audio Layer I y Layer II, el banco de filtros y la estructura de datos basada en tramas de 1152 muestras (formato de archivo y flujo orientado a bytes) de MUSICAM permanecieron en el formato Layer III (MP3), como parte del banco de filtros híbrido computacionalmente ineficiente . Bajo la presidencia del profesor Musmann de la Universidad Leibniz de Hannover , la edición del estándar se delegó a Leon van de Kerkhof (Países Bajos), Gerhard Stoll (Alemania) e Yves-François Dehery (Francia), quienes trabajaron en Layer I y Layer II. ASPEC fue la propuesta conjunta de AT&T Bell Laboratories, Thomson Consumer Electronics, Fraunhofer Society y CNET . ^{[ 51 ]} Proporcionó la mayor eficiencia de codificación.

Un grupo de trabajo formado por van de Kerkhof, Stoll, Leonardo Chiariglione ( vicepresidente de Medios de CSELT ), Yves-François Dehery, Karlheinz Brandenburg (Alemania) y James D. Johnston (Estados Unidos) tomó ideas de ASPEC, integró el banco de filtros de Layer II, añadió algunas de sus ideas, como la codificación estéreo conjunta de MUSICAM, y creó el formato MP3, que fue diseñado para lograr la misma calidad a 128 kbit/s que el MP2 a 192 kbit/s .

Los algoritmos para MPEG-1 Audio Layer I, II y III fueron aprobados en 1991 ^{[ 14 ] [ 15 ]} y finalizados en 1992 ^{[ 16 ]} como parte de MPEG-1 , el primer conjunto de estándares de MPEG , que resultó en el estándar internacional ISO/IEC 11172-3 (también conocido como MPEG-1 Audio o MPEG-1 Parte 3 ), publicado en 1993. ^{[ 7 ]} Los archivos o flujos de datos que cumplen con este estándar deben manejar frecuencias de muestreo de 48k, 44100 y 32k y continúan siendo compatibles con los reproductores y decodificadores MP3 actuales . Por lo tanto, la primera generación de MP3 definió 14 × 3 = 42 interpretaciones de las estructuras de datos de trama MP3 y diseños de tamaño.

La eficiencia de compresión de los codificadores se define generalmente por la tasa de bits, ya que la relación de compresión depende de la profundidad de bits y la frecuencia de muestreo de la señal de entrada. No obstante, las relaciones de compresión se publican con frecuencia. Pueden utilizar como referencia los parámetros del disco compacto (CD) (44,1 kHz , 2 canales a 16 bits por canal o 2 × 16 bits), o a veces los parámetros de la cinta de audio digital (DAT) SP (48  kHz, 2 × 16 bits). Las relaciones de compresión con esta última referencia son más altas, lo que demuestra el problema de utilizar el término relación de compresión para codificadores con pérdidas.

Brandenburg utilizó una grabación en CD de la canción " Tom's Diner " de Suzanne Vega para evaluar y refinar el algoritmo de compresión MP3 . ^{[ 52 ]} Esta canción fue elegida debido a su naturaleza casi monofónica y amplio contenido espectral, lo que facilita escuchar imperfecciones en el formato de compresión durante las reproducciones. Esta pista en particular tiene una propiedad interesante en que los dos canales son casi, pero no completamente, iguales, lo que lleva a un caso en el que la depresión del nivel de enmascaramiento binaural causa desenmascaramiento espacial de artefactos de ruido a menos que el codificador reconozca correctamente la situación y aplique correcciones similares a las detalladas en el modelo psicoacústico MPEG-2 AAC. Algunos extractos de audio más críticos ( glockenspiel , triángulo, acordeón , etc.) fueron tomados del disco compacto de referencia EBU V3/SQAM y han sido utilizados por ingenieros de sonido profesionales para evaluar la calidad subjetiva de los formatos de audio MPEG.

Una implementación de software de simulación de referencia, escrita en lenguaje C y posteriormente conocida como ISO 11172-5 , fue desarrollada (entre 1991 y 1996) por los miembros del comité ISO MPEG Audio para producir archivos de audio MPEG compatibles con bits (Capa 1, Capa 2, Capa 3). Fue aprobada como un borrador del comité del informe técnico ISO/IEC en marzo de 1994 y se imprimió como documento CD 11172-5 en abril de 1994. ^{[ 53 ]} Fue aprobada como un borrador de informe técnico (DTR/DIS) en noviembre de 1994, ^{[ 54 ]} finalizada en 1996 y publicada como norma internacional ISO/IEC TR 11172-5:1998 en 1998. ^{[ 55 ]} El software de referencia en lenguaje C fue publicado posteriormente como una norma ISO de libre acceso. ^{[ 56 ]} Al funcionar en tiempo no real en varios sistemas operativos, se pudo demostrar la primera decodificación de hardware en tiempo real (basada en DSP) de audio comprimido. Algunas otras implementaciones en tiempo real de codificadores y decodificadores de audio MPEG ^{[ 57 ]} estaban disponibles para la radiodifusión digital (radio DAB , televisión DVB ) hacia receptores de consumo y decodificadores.

El 7 de julio de 1994, la Sociedad Fraunhofer lanzó el primer codificador de software MP3, llamado l3enc . ^{[ 58 ]} La extensión de archivo .mp3 fue elegida por el equipo de Fraunhofer el 14 de julio de 1995 (los archivos se habían llamado anteriormente .bit ). ^{[ 59 ] [ 2 ]} Con el primer reproductor de software MP3 en tiempo real WinPlay3 (lanzado el 9 de septiembre de 1995) muchas personas pudieron codificar y reproducir archivos MP3 en sus PC. Debido a los discos duros relativamente pequeños de la época (≈500–1000 MB ) la compresión con pérdida era esencial para almacenar el equivalente a varios álbumes de música en una computadora doméstica como grabaciones completas (a diferencia de la notación MIDI o los archivos tracker que combinaban notación con grabaciones cortas de instrumentos tocando notas individuales).

En la segunda mitad de la década de 1990, los archivos MP3 comenzaron a difundirse en Internet , a menudo a través de redes clandestinas de canciones piratas. El primer experimento conocido de distribución en Internet fue organizado a principios de la década de 1990 por el Internet Underground Music Archive , más conocido por el acrónimo IUMA. Después de algunos experimentos ^{[ 69 ]} utilizando archivos de audio sin comprimir, este archivo comenzó a distribuir en la Internet nativa mundial de baja velocidad algunos archivos de audio MPEG comprimidos utilizando el formato MP2 (Layer II) y más tarde utilizó archivos MP3 cuando el estándar estuvo completamente completado. La popularidad de los MP3 comenzó a aumentar rápidamente con la llegada del reproductor de audio Winamp de Nullsoft , lanzado en 1997, que todavía tenía en 2023 una comunidad de 80 millones de usuarios activos. ^{[ 70 ]} En 1998, Windows Media Player 5.2 y versiones posteriores añadieron compatibilidad con el formato MP3, y se lanzó el primer reproductor de audio digital de estado sólido portátil MPMan , desarrollado por SaeHan Information Systems, con sede en Seúl , Corea del Sur , y el Rio PMP300 se vendió posteriormente en 1998, a pesar de los esfuerzos de supresión legal por parte de la RIAA . ^{[ 71 ]}

En noviembre de 1997, el sitio web mp3.com ofrecía miles de archivos MP3 creados por artistas independientes de forma gratuita. ^{[ 71 ]} El pequeño tamaño de los archivos MP3 permitió el intercambio masivo de archivos entre pares de música extraída de CD, algo que antes habría sido casi imposible. La primera gran red de intercambio de archivos entre pares , Napster , se lanzó en 1999. La facilidad para crear y compartir archivos MP3 dio lugar a una infracción generalizada de los derechos de autor . Las principales compañías discográficas argumentaron que este intercambio gratuito de música reducía las ventas y lo calificaron de " piratería musical ". Reaccionaron interponiendo demandas contra Napster, que finalmente fue clausurada y posteriormente vendida, y contra usuarios individuales que participaban en el intercambio de archivos. Más tarde, Napster regresó como un servicio legítimo de transmisión de música. ^{[ 72 ]}

El intercambio no autorizado de archivos MP3 continúa en las redes peer-to-peer de última generación . Servicios autorizados, como Amazon.com , Beatport , Bleep , eMusic , Juno Records y el reencarnado Napster , venden música sin restricciones en formato MP3.

Diagrama de la estructura de un archivo MP3 (la versión MPEG 2.5, no descrita aquí, cambia el último bit de la palabra de sincronización a 0 como indicación, moviendo efectivamente un bit al campo de versión. ^{[ 66 ]} )

Un archivo MP3 se compone de tramas MP3, que consisten en una cabecera y un bloque de datos. Esta secuencia de tramas se denomina flujo elemental . Debido al depósito de bits, las tramas no son elementos independientes y, por lo general, no se pueden extraer en límites de trama arbitrarios. Los bloques de datos MP3 contienen la información de audio (comprimida) en términos de frecuencias y amplitudes. El diagrama muestra que la cabecera MP3 consta de una palabra de sincronización , que se utiliza para identificar el comienzo de una trama válida. A esto le sigue un bit que indica que se trata del estándar MPEG y dos bits que indican que se utiliza la capa 3; por lo tanto, MPEG-1 Audio Layer 3 o MP3. Después de esto, los valores variarán, dependiendo del archivo MP3. ISO/IEC 11172-3 define el rango de valores para cada sección de la cabecera junto con la especificación de la misma. La mayoría de los archivos MP3 actuales contienen metadatos ID3 , que preceden o siguen a las tramas MP3, como se indica en el diagrama. El flujo de datos puede contener una suma de comprobación opcional .

La estereoscopía conjunta se realiza únicamente fotograma a fotograma. ^{[ 73 ]}

En resumen, la compresión MP3 funciona reduciendo la precisión de ciertos componentes del sonido que, según el análisis psicoacústico, se consideran fuera del alcance auditivo de la mayoría de los seres humanos. Este método se conoce comúnmente como codificación perceptiva o modelado psicoacústico . ^{[ 74 ]} La información de audio restante se graba de forma eficiente en cuanto al espacio utilizando algoritmos MDCT y FFT .

El algoritmo de codificación MP3 generalmente se divide en cuatro partes. La parte 1 divide la señal de audio en fragmentos más pequeños, llamados tramas, y luego se aplica un filtro MDCT a la salida. La parte 2 pasa la muestra a una transformada rápida de Fourier (FFT) de 1024 puntos, luego se aplica el modelo psicoacústico y se aplica otro filtro MDCT a la salida. La parte 3 cuantifica y codifica cada muestra, conocida como asignación de ruido, que se ajusta para cumplir con los requisitos de tasa de bits y enmascaramiento de sonido . La parte 4 formatea el flujo de bits , llamado trama de audio, que se compone de 4 partes: la cabecera , la comprobación de errores , los datos de audio y los datos auxiliares . ^{[ 34 ]}

MP3 utiliza una estructura MDCT superpuesta. Cada fotograma MPEG-1 MP3 consta de 1152 muestras, divididas en dos gránulos de 576 muestras. Estas 576 muestras consecutivas, inicialmente en el dominio del tiempo, se transforman en un bloque a 576 muestras en el dominio de la frecuencia mediante MDCT. ^{[ 75 ]} MP3 también permite el uso de bloques más cortos en un gránulo, hasta un tamaño de 192 muestras; esta característica se utiliza cuando se detecta un transitorio . Esto limita la propagación temporal del ruido de cuantificación que acompaña al transitorio (véase psicoacústica ). La resolución de frecuencia está limitada por el pequeño tamaño de la ventana del bloque largo, lo que disminuye la eficiencia de codificación. ^{[ 73 ]} La resolución temporal puede ser demasiado baja para señales altamente transitorias y puede causar distorsión de los sonidos de percusión. ^{[ 73 ]}

Debido a la estructura de árbol del banco de filtros, los problemas de pre-eco se agravan, ya que la respuesta impulsional combinada de los dos bancos de filtros no proporciona, ni puede proporcionar, una solución óptima en la resolución tiempo/frecuencia. ^{[ 73 ]} Además, la combinación de las salidas de los dos bancos de filtros crea problemas de aliasing que deben ser manejados parcialmente por la etapa de compensación de aliasing; sin embargo, esto crea un exceso de energía que debe codificarse en el dominio de la frecuencia, disminuyendo así la eficiencia de la codificación. ^{[ 76 ]}

Por otro lado, la decodificación está cuidadosamente definida en el estándar. La mayoría de los decodificadores son compatibles con el flujo de bits , lo que significa que la salida descomprimida que producen a partir de un archivo MP3 dado será la misma, dentro de un margen de redondeo especificado , que la salida especificada matemáticamente en el documento estándar ISO/IEC (ISO/IEC 11172-3). Por lo tanto, la comparación de decodificadores generalmente se basa en su eficiencia computacional (es decir, cuánta memoria o tiempo de CPU utilizan en el proceso de decodificación). Con el tiempo, esta preocupación se ha vuelto menos importante a medida que las frecuencias de reloj de la CPU pasaron de MHz a GHz. El retardo total del codificador/decodificador no está definido, lo que significa que no existe una disposición oficial para la reproducción sin pausas . Sin embargo, algunos codificadores, como LAME, pueden adjuntar metadatos adicionales que permitirán a los reproductores compatibles ofrecer una reproducción fluida.

Al realizar una codificación de audio con pérdida, como la creación de un flujo de datos MP3, existe un equilibrio entre la cantidad de datos generados y la calidad del sonido resultante. La persona que genera un MP3 selecciona una tasa de bits, que especifica cuántos kilobits por segundo de audio se desean. Cuanto mayor sea la tasa de bits, mayor será el flujo de datos MP3 y, por lo general, más se asemejará al sonido de la grabación original. Con una tasa de bits demasiado baja, pueden audibles artefactos de compresión (es decir, sonidos que no estaban presentes en la grabación original) en la reproducción. Algunos audios son difíciles de comprimir debido a su aleatoriedad y ataques abruptos. Cuando este tipo de audio se comprime, suelen escucharse artefactos como resonancia o pre-eco . Una muestra de aplausos o un triángulo con una tasa de bits relativamente baja proporciona buenos ejemplos de artefactos de compresión. La mayoría de las pruebas subjetivas de códecs perceptivos tienden a evitar el uso de este tipo de materiales sonoros; sin embargo, los artefactos generados por los sonidos de percusión son apenas perceptibles debido a la característica específica de enmascaramiento temporal del banco de filtros de 32 subbandas de la Capa II en la que se basa el formato.

El estándar MPEG-1 no incluye una especificación precisa para un codificador MP3, pero sí proporciona ejemplos de modelos psicoacústicos, bucles de velocidad y similares en la parte no normativa del estándar original. ^{[ 77 ]} Cuando se escribió esto, las implementaciones sugeridas estaban bastante desactualizadas. Se suponía que los implementadores del estándar debían idear algoritmos adecuados para eliminar partes de la información de la entrada de audio. Como resultado, se dispuso de muchos codificadores MP3 diferentes, cada uno produciendo archivos de distinta calidad. Las comparaciones estaban ampliamente disponibles, por lo que era fácil para un usuario potencial de un codificador investigar la mejor opción. Algunos codificadores que eran competentes para codificar a tasas de bits más altas (como LAME ) no eran necesariamente tan buenos a tasas de bits más bajas.

Además de la tasa de bits de un archivo de audio codificado, la calidad del sonido codificado en MP3 también depende de la calidad del algoritmo del codificador, así como de la complejidad de la señal que se está codificando. Dado que el estándar MP3 permite bastante libertad con los algoritmos de codificación, los diferentes codificadores ofrecen una calidad muy distinta, incluso con tasas de bits idénticas. Por ejemplo, en una prueba de escucha pública con dos codificadores MP3 antiguos configurados a unos 128 kbit/s , ^{[ 78 ]} uno obtuvo una puntuación de 3,66 en una escala de 1 a 5, mientras que el otro solo obtuvo 2,22. La calidad depende de la elección del codificador y de los parámetros de codificación. ^{[ 79 ]}

Esta observación provocó una revolución en la codificación de audio. Al principio, la tasa de bits era la principal y única consideración. En aquel entonces, los archivos MP3 eran del tipo más simple: utilizaban la misma tasa de bits para todo el archivo; este proceso se conoce como codificación de tasa de bits constante (CBR). El uso de una tasa de bits constante simplifica la codificación y reduce la carga de la CPU. Sin embargo, también es posible optimizar el tamaño del archivo creando archivos donde la tasa de bits varía a lo largo del mismo. Estos se conocen como tasa de bits variable (VBR). La codificación de reserva de bits y VBR formaba parte del estándar MPEG-1 original. El concepto detrás de ellas es que, en cualquier pieza de audio, algunas secciones son más fáciles de comprimir, como el silencio o la música con pocos tonos, mientras que otras serán más difíciles de comprimir. Por lo tanto, la calidad general del archivo puede mejorarse utilizando una tasa de bits menor para los pasajes menos complejos y una mayor para las partes más complejas. Con algunos codificadores MP3 avanzados, es posible especificar una calidad determinada, y el codificador ajustará la tasa de bits en consecuencia. Los usuarios que deseen una "configuración de calidad" particular que sea imperceptible para sus oídos pueden usar este valor al codificar toda su música y, en general, no necesitan preocuparse por realizar pruebas de escucha personales en cada pieza musical para determinar la tasa de bits correcta.

La calidad percibida puede verse influenciada por el entorno de escucha (ruido ambiental), la atención del oyente, su entrenamiento y, en la mayoría de los casos, por el equipo de audio del oyente (como tarjetas de sonido, altavoces y auriculares). Además, se puede lograr una calidad suficiente con una configuración de menor calidad para conferencias y aplicaciones de voz humana, lo que reduce el tiempo y la complejidad de la codificación. Una prueba realizada a estudiantes nuevos por Jonathan Berger, profesor de música de la Universidad de Stanford , mostró que la preferencia de los estudiantes por la música con calidad MP3 ha aumentado cada año. Berger afirmó que los estudiantes parecen preferir los sonidos "chisporroteantes" que los MP3 aportan a la música. ^{[ 80 ]}

Un estudio exhaustivo de la calidad de audio MP3, el proyecto "The Ghost in the MP3" del artista sonoro y compositor Ryan Maguire aísla los sonidos perdidos durante la compresión MP3. En 2015, lanzó el tema "moDernisT" (un anagrama de "Tom's Diner"), compuesto exclusivamente a partir de los sonidos eliminados durante la compresión MP3 de la canción "Tom's Diner", ^{[ 81 ] [ 82 ] [ 83 ]} el tema utilizado originalmente en la formulación del estándar MP3. Una descripción detallada de las técnicas utilizadas para aislar los sonidos eliminados durante la compresión MP3, junto con la motivación conceptual del proyecto, se publicó en las Actas de la Conferencia Internacional de Música por Computadora de 2014. ^{[ 84 ]}

La tasa de bits , técnicamente tasa de datos , generalmente medida en bits por segundo , está vinculada, al codificar datos de audio, al tamaño de la muestra (el número de bits por muestra de audio) y a la frecuencia de muestreo : el audio de CD se codifica con modulación por impulsos codificados simple utilizando muestras de 16 bits,44 100 de ellos por segundo, para cada uno de los dos canales (izquierdo y derecho). Entonces, multiplicando44 100  muestras por segundo por16  bits por muestra por2  canales dan1 411 200  bits por segundo : la velocidad de datos del audio digital de CD sin comprimir. MP3 fue diseñado para codificar esto.1411  kbit/s datos sin procesar en320  kbit/s o menos. Si los algoritmos MP3 detectan pasajes menos complejos, se pueden emplear velocidades de bits más bajas.

Como se muestra en estas dos tablas:

• En el estándar MPEG-1 Audio Layer III se permiten 14 velocidades de bits seleccionadas: 32, 40, 48, 56, 64, 80, 96, 112, 128, 160, 192, 224, 256 y 320 kbit/s , junto con las 3 frecuencias de muestreo más altas disponibles de 32, 44,1 y 48 kHz . ^{[ 66 ]} 
• MPEG-2 Audio Layer III también permite 14 tasas de bits globalmente más bajas de 8, 16, 24, 32, 40, 48, 56, 64, 80, 96, 112, 128, 144, 160 kbit/s con frecuencias de muestreo de 16, 22,05 y 24 kHz que son exactamente la mitad que las de MPEG-1. ^{[ 66 ]} 
• Los fotogramas de la capa III de audio MPEG-2.5 están limitados a solo 8 velocidades de bits de 8, 16, 24, 32, 40, 48, 56 y 64 kbit/s con 3 frecuencias de muestreo aún más bajas de 8, 11,025 y 12  kHz .

Los sistemas anteriores también carecen de controles de reproducción de avance y retroceso rápido en MP3. ^{[ 86 ] [ 87 ]}

Los fotogramas MPEG-1 contienen el mayor detalle en el modo de 320 kbit/s , la configuración de tasa de bits más alta permitida, ^{[ 88 ]} mientras que el silencio y los tonos simples aún requieren 32 kbit/s . Los fotogramas MPEG-2 pueden capturar reproducciones de sonido de hasta 12  kHz necesarias hasta 160 kbit/s .

Una frecuencia de muestreo de 44,1  kHz se usa comúnmente para la reproducción de música porque también se usa para el audio de CD , la principal fuente utilizada para crear archivos MP3. En Internet se utiliza una gran variedad de tasas de bits. Una tasa de bits de 128 kbit/s se usa comúnmente, ^{[ 89 ]} con una relación de compresión de 11:1, que ofrece una calidad de audio adecuada en un espacio relativamente pequeño. A medida que la disponibilidad de ancho de banda de Internet y los tamaños de los discos duros han aumentado, las tasas de bits más altas de hasta 320 kbit/s están muy extendidas. El audio sin comprimir almacenado en un CD de audio tiene una tasa de bits de 1411,2 kbit/s , (16 bits/muestra  × 44 100 muestras/segundo  × 2 canales  / 1000 bits/kilobit), por lo que las tasas de bits de 128, 160 y 192 kbit/s representan relaciones de compresión de aproximadamente 11:1, 9:1 y 7:1 respectivamente.

Se pueden lograr tasas de bits no estándar de hasta 640 kbit/s con el codificador LAME y la opción de formato libre, aunque pocos reproductores de MP3 pueden reproducir esos archivos. Según el estándar ISO, los decodificadores solo deben poder decodificar flujos de hasta 320 kbit/s . ^{[ 90 ] [ 91 ] [ 92 ]} Los primeros codificadores MPEG Layer III usaban lo que ahora se llama tasa de bits constante (CBR). El software solo podía usar una tasa de bits uniforme en todos los fotogramas de un archivo MP3. Los codificadores MP3 posteriores más sofisticados pudieron usar el depósito de bits para apuntar a una tasa de bits promedio seleccionando la tasa de codificación para cada fotograma en función de la complejidad del sonido en esa parte de la grabación.

Un codificador MP3 más sofisticado puede producir audio de tasa de bits variable. El audio MPEG puede usar conmutación de tasa de bits por fotograma, pero solo los decodificadores de capa III deben admitirlo. ^{[ 66 ] [ 93 ] [ 94 ] [ 95 ]} VBR se usa cuando el objetivo es lograr un nivel de calidad fijo. El tamaño final del archivo de una codificación VBR es menos predecible que con tasa de bits constante. La tasa de bits promedio es un tipo de VBR implementado como un compromiso entre los dos: la tasa de bits puede variar para una calidad más consistente, pero se controla para que permanezca cerca de un valor promedio elegido por el usuario, para tamaños de archivo predecibles. Aunque un decodificador MP3 debe admitir VBR para ser compatible con los estándares, históricamente algunos decodificadores tienen errores con la decodificación VBR, particularmente antes de que los codificadores VBR se generalizaran.

El estándar MPEG permite tasas de bits de hasta 320 kbit/s , pero debido a un descuido en la especificación MP3, usar 320 kbit/s (incluidos los fotogramas de 320 kbit/s en un archivo VBR) a la frecuencia de muestreo estándar de CD de 44,1  kHz crea fotogramas más grandes de lo que permite el estándar. La mayoría de los reproductores aún pueden reproducir estos archivos. La tasa de bits más alta a 44,1  kHz que se ajusta estrictamente al estándar es de 256 kbit/s . Esto no es un problema a 48  kHz, ya que el tamaño del fotograma se mantiene dentro de los límites. Para MPEG-1, el límite es de 7680 bits por fotograma, que es el tamaño de un fotograma de 48 kHz a 320 kbps. ^{[ 96 ]}

El audio de la capa III también puede usar un depósito de bits , la capacidad de un fotograma parcialmente completo para almacenar parte de los datos de audio del siguiente fotograma, lo que permite cambios temporales en la tasa de bits efectiva, incluso en una secuencia de tasa de bits constante. ^{[ 66 ] [ 93 ]} El manejo interno del depósito de bits aumenta el retardo de codificación. ^{[ 97 ]} No hay banda de factor de escala 21 (sfb21) para frecuencias superiores a aproximadamente 16 kHz , lo que obliga al codificador a elegir entre una representación menos precisa en la banda 21 o un almacenamiento menos eficiente en todas las bandas inferiores a la banda 21, lo que resulta en una tasa de bits desperdiciada en la codificación VBR. ^{[ 98 ]} 

El campo de datos auxiliares se puede usar para almacenar datos definidos por el usuario. Los datos auxiliares son opcionales y no se especifica el número de bits disponibles. Estos datos se ubican después de los bits del código Huffman y abarcan hasta donde apunta main_data_begin del siguiente fotograma. El codificador mp3PRO utilizaba datos auxiliares para codificar información adicional que podía mejorar la calidad del audio al decodificarlo con su algoritmo.

Una etiqueta en un archivo de audio es una sección del archivo que contiene metadatos como el título, el artista, el álbum, el número de pista u otra información sobre el contenido del archivo. Los estándares MP3 no definen formatos de etiquetas para archivos MP3, ni existe un formato de contenedor estándar que admita metadatos y elimine la necesidad de etiquetas. Sin embargo, existen varios estándares de facto para formatos de etiquetas. A partir de 2010, los más extendidos son ID3v1 e ID3v2 , y el más reciente APEv2 . Estas etiquetas normalmente se insertan al principio o al final de los archivos MP3, separadas de los datos de trama MP3 propiamente dichos. Los decodificadores MP3 extraen información de las etiquetas o simplemente las tratan como datos basura que no son MP3 y que se pueden ignorar.

El software de reproducción y edición suele incluir funciones de edición de etiquetas, pero también existen aplicaciones de edición de etiquetas dedicadas a este fin. Además de los metadatos sobre el contenido de audio, las etiquetas también pueden utilizarse para la gestión de derechos digitales (DRM ). ^{[ 99 ]} ReplayGain es un estándar para medir y almacenar el volumen de un archivo MP3 ( normalización de audio ) en su etiqueta de metadatos, lo que permite a un reproductor compatible con ReplayGain ajustar automáticamente el volumen de reproducción general de cada archivo. MP3Gain puede utilizarse para modificar archivos de forma reversible basándose en las mediciones de ReplayGain, de modo que se pueda lograr una reproducción ajustada en reproductores sin capacidad ReplayGain.