ملف صوتي بصيغة MP3

تستغل خوارزمية ضغط MP3 مع فقدان البيانات قيدًا إدراكيًا في السمع البشري يُعرف باسم الحجب السمعي . في عام 1894، أفاد الفيزيائي الأمريكي ألفريد إم. ماير أن نغمة ما يمكن أن تُصبح غير مسموعة بواسطة نغمة أخرى ذات تردد أقل. ^{[ 18 ]} وفي عام 1959، وصف ريتشارد إيمر مجموعة كاملة من المنحنيات السمعية المتعلقة بهذه الظاهرة. ^{[ 19 ]} وبين عامي 1967 و1974، عمل إيبرهارد زويكر في مجالات ضبط وحجب نطاقات التردد الحرجة، ^{[ 20 ] [ 21 ]} والتي بدورها استندت إلى البحث الأساسي في هذا المجال الذي أجراه هارفي فليتشر وزملاؤه في مختبرات بيل . ^{[ 22 ]}

استُخدم الترميز الإدراكي لأول مرة لضغط ترميز الكلام باستخدام الترميز التنبؤي الخطي (LPC)، ^{[ 23 ]} والذي يعود أصله إلى عمل فوميتادا إيتاكورا ( جامعة ناغويا ) وشوزو سايتو ( شركة نيبون للتلغراف والهاتف ) في عام 1966. ^{[ 24 ]} في عام 1978، اقترح بيشنو س. أتال ومانفريد ر. شرودر في مختبرات بيل برنامج ترميز كلام LPC ، يُسمى الترميز التنبؤي التكيفي ، والذي استخدم خوارزمية ترميز نفسية صوتية تستغل خصائص الحجب للأذن البشرية. ^{[ 23 ] [ 25 ]} ونُشرت لاحقًا تحسينات إضافية من قِبل شرودر وأتال بالتعاون مع جيه إل هول في ورقة بحثية عام 1979. ^{[ 26 ]} في نفس العام، تم اقتراح برنامج ترميز صوتي نفسي من قبل إم إيه كراسنر، ^{[ 27 ]} الذي نشر وأنتج أجهزة للكلام (غير قابلة للاستخدام كضغط بتات الموسيقى)، لكن نشر نتائجه في تقرير فني غامض نسبيًا من مختبر لينكولن ^{[ 28 ]} لم يؤثر على الفور على التيار الرئيسي لتطوير برامج الترميز الصوتية النفسية.

طُوِّر تحويل جيب التمام المنفصل (DCT)، وهو نوع من ترميز التحويل لضغط البيانات مع فقدان البيانات، والذي اقترحه ناصر أحمد عام 1972، بالتعاون مع تي. ناتاراجان وكيه آر راو عام 1973؛ ونُشرت نتائجهم عام 1974. ^{[ 29 ] [ 30 ] [ 31 ]} أدى ذلك إلى تطوير تحويل جيب التمام المنفصل المُعدَّل (MDCT)، الذي اقترحه جيه بي برينسن وإيه دبليو جونسون وإيه بي برادلي عام 1987، ^{[ 32 ]} استكمالًا لعمل سابق لبرينسن وبرادلي عام 1986. ^{[ 33 ]} أصبح MDCT لاحقًا جزءًا أساسيًا من خوارزمية MP3. ^{[ 34 ]}

قام إرنست تيرهاردت وآخرون من المتعاونين بإنشاء خوارزمية تصف التغطية السمعية بدقة عالية في عام 1982. ^{[ 35 ]} أضاف هذا العمل إلى مجموعة متنوعة من التقارير من المؤلفين التي تعود إلى فليتشر، وإلى العمل الذي حدد في البداية النسب الحرجة وعرض النطاق الترددي الحرج.

في عام 1985، قدم أتال وشرودر خوارزمية التنبؤ الخطي المُحفَّز بالترميز (CELP)، وهي خوارزمية ترميز كلامي إدراكي قائمة على LPC مع حجب سمعي، حققت نسبة ضغط بيانات عالية في ذلك الوقت. ^{[ 23 ]} وفي عام 1988، نشرت مجلة IEEE المحكمة حول مجالات مختارة في الاتصالات تقريرًا عن مجموعة واسعة من خوارزميات ضغط الصوت (معظمها إدراكي). ^{[ 36 ]} كما تناول عدد "ترميز الصوت للاتصالات" الصادر في فبراير 1988 مجموعة واسعة من تقنيات ضغط بتات الصوت الراسخة والفعالة، ^{[ 36 ]} بعضها يستخدم الحجب السمعي كجزء من تصميمها الأساسي، والعديد منها يعرض تطبيقات عملية في الوقت الفعلي.

وُصفت نشأة تقنية MP3 بالتفصيل في ورقة بحثية للأستاذ هانز موسمان، ^{[ 37 ]} الذي ترأس مجموعة الصوت التابعة لمنظمة ISO MPEG لعدة سنوات. في ديسمبر 1988، دعت MPEG إلى وضع معيار لترميز الصوت. وفي يونيو 1989، قُدِّمت 14 خوارزمية لترميز الصوت. ونظرًا لوجود بعض أوجه التشابه بين مقترحات الترميز هذه، جُمِعت في أربع مجموعات تطوير. المجموعة الأولى هي ASPEC، من قِبل Fraunhofer Gesellschaft و AT&T وCNET ( فرانس تيليكوم ) و Thomson . ^{[ 38 ]} المجموعة الثانية هي MUSICAM ، من قِبل Matsushita و CCETT وITT و Philips . المجموعة الثالثة هي ATAC (ترميز ATRAC)، من قِبل Fujitsu و JVC و NEC و Sony . والمجموعة الرابعة هي SB-ADPCM ، من قِبل NTT وBTRL. ^{[ 37 ]}

كانت تقنيتا الترميز الأمثل في مجال التردد (OCF) ^{[ 39 ]} وترميز التحويل الإدراكي (PXFM) ^{[ 40 ]} من أوائل التقنيات التي سبقت MP3 . دُمجت هاتان التقنيتان، بالإضافة إلى مساهمات تومسون-براندت في تبديل الكتل، في تقنية ترميز تُسمى ASPEC، والتي قُدمت إلى MPEG وفازت في مسابقة الجودة، ولكنها رُفضت لكونها معقدة للغاية. كان أول تطبيق عملي لتقنية الترميز الإدراكي الصوتي (OCF) في الأجهزة (إذ كانت أجهزة كراسنر ضخمة وبطيئة للغاية للاستخدام العملي) عبارة عن تطبيق لتقنية الترميز النفسي الصوتي باستخدام رقائق معالج الإشارات الرقمية (DSP) من موتورولا 56000 .

كان برنامج الترميز الإدراكي MUSICAM، الذي يعتمد على بنك مرشحات مكون من 32 نطاقًا فرعيًا، مدعومًا بنموذج نفسي صوتي، سلفًا آخر لصيغة وتقنية MP3. صُمم هذا البرنامج في الأساس للبث الصوتي الرقمي (الراديو الرقمي) والتلفزيون الرقمي، وكُشفت مبادئه الأساسية للمجتمع العلمي من قِبل مركز CCETT (فرنسا) ومعهد IRT (ألمانيا) في أتلانتا خلال مؤتمر IEEE- ICASSP عام 1991، ^{[ 41 ]} بعد العمل على MUSICAM مع ماتسوشيتا وفيليبس منذ عام 1989. ^{[ 37 ]}

تم عرض هذا الترميز المدمج في نظام بث باستخدام تعديل COFDM على الهواء وفي الميدان ^{[ 42 ]} مع راديو كندا وCRC كندا خلال معرض NAB (لاس فيغاس) في عام 1991. واعتمد تنفيذ الجزء الصوتي من نظام البث هذا على مشفر ثنائي الرقاقة (واحد لتحويل النطاق الفرعي، وواحد للنموذج النفسي الصوتي الذي صممه فريق G. Stoll (IRT ألمانيا)، والذي عُرف لاحقًا باسم النموذج النفسي الصوتي الأول) وجهاز فك تشفير في الوقت الحقيقي باستخدام شريحة DSP واحدة من موتورولا 56001 تشغل برنامجًا حسابيًا للأعداد الصحيحة صممه فريق YF Dehery (CCETT، فرنسا). إن بساطة جهاز فك التشفير المقابل إلى جانب جودة الصوت العالية لهذا الترميز باستخدام معدل أخذ عينات  48 كيلو هرتز لأول مرة ، وتنسيق إدخال 20 بت/عينة (أعلى معيار لأخذ العينات متاح في عام 1991، متوافق مع معيار استوديو الإدخال الرقمي الاحترافي AES/EBU) كانت الأسباب الرئيسية لاعتماد خصائص MUSICAM لاحقًا كميزات أساسية لترميز ضغط الموسيقى الرقمي المتقدم.

خلال تطوير برنامج ترميز MUSICAM، استفاد فريق ستول وديهيري بشكل كامل من مجموعة مواد تقييم صوتية عالية الجودة ^{[ 43 ]} اختارتها مجموعة من خبراء الصوت من اتحاد البث الأوروبي، واستُخدمت لاحقًا كمرجع لتقييم برامج ترميز ضغط الموسيقى. وقد وُجد أن تقنية ترميز النطاق الفرعي فعّالة، ليس فقط للترميز الإدراكي للمواد الصوتية عالية الجودة، بل وخاصة لترميز المواد الصوتية الإيقاعية المهمة (الطبول، المثلث ، ...)، وذلك بفضل تأثير الحجب الزمني المحدد لبنك مرشحات النطاق الفرعي في MUSICAM (وهذه الميزة سمة خاصة بتقنيات ترميز التحويل القصير).

بدأ كارلهاينز براندنبورغ، طالب الدكتوراه في جامعة إرلانغن-نورنبيرغ الألمانية ، العمل على ضغط الموسيقى الرقمية في أوائل ثمانينيات القرن العشرين، مركزًا على كيفية إدراك الناس للموسيقى. وأكمل أطروحته للدكتوراه عام ١٩٨٩. ^{[ ٤٤ ]} يُعدّ MP3 امتدادًا مباشرًا لـ OCF وPXFM، وهو ثمرة تعاون براندنبورغ - الذي عمل كباحث ما بعد الدكتوراه في مختبرات AT&T-Bell مع جيمس د. جونستون ("JJ") من مختبرات AT&T-Bell - مع معهد فراونهوفر للدوائر المتكاملة في إرلانغن (حيث عمل مع برنارد غريل وأربعة باحثين آخرين - "الستة الأصليون" ^{[ ٤٥ ]} )، مع مساهمات طفيفة نسبيًا من فرع MP2 لمشفّرات النطاقات الفرعية النفسية الصوتية. في عام ١٩٩٠، أصبح براندنبورغ أستاذًا مساعدًا في جامعة إرلانغن-نورنبيرغ. أثناء وجوده هناك، واصل العمل على ضغط الموسيقى مع علماء في معهد هاينريش هيرتس التابع لجمعية فراونهوفر . في عام ١٩٩٣، انضم إلى فريق عمل معهد فراونهوفر لأنظمة الدوائر المتكاملة في إرلانجن. ^{[ ٤٦ ] [ ٤٤ ]} كانت نسخة أكابيلا من أغنية " مطعم توم " لسوزان فيغا أول أغنية استخدمها براندنبورغ لتطوير صيغة MP3. استُخدمت هذه الأغنية كمعيار لمعرفة مدى كفاءة خوارزمية ضغط MP3 في التعامل مع الصوت البشري. اعتمد براندنبورغ الأغنية لأغراض الاختبار، مستمعًا إليها مرارًا وتكرارًا في كل مرة كان يُحسّن فيها خوارزمية الضغط، متأكدًا من أنها لا تؤثر سلبًا على إعادة إنتاج صوت فيغا. ^{[ ٤٧ ]} وبناءً على ذلك، أطلق على فيغا لقب "أم MP3". ^{[ ٤٨ ]}

في عام 1991، جرى تقييم مقترحين متاحين لمعيار صوتي MPEG: MUSICAM (الترميز والدمج المتكامل للنطاقات الفرعية العالمية المُكيَّف مع نمط الطلب) وASPEC (ترميز الإنتروبيا الإدراكية الطيفية التكيفية ) . وقد تم اختيار تقنية MUSICAM ، التي اقترحتها كل من شركة فيليبس ( هولندا ) ، ومركز CCETT ( فرنسا ) ، ومعهد تكنولوجيا البث (ألمانيا)، وشركة ماتسوشيتا (اليابان) ^{[ 49 ]} ، نظرًا لبساطتها ومقاومتها للأخطاء، فضلًا عن كفاءتها الحسابية العالية. ^{[ 50 ]} وأصبح تنسيق MUSICAM، القائم على ترميز النطاقات الفرعية ، أساسًا لتنسيق ضغط الصوت MPEG، حيث تضمن، على سبيل المثال، بنية الإطار، وتنسيق الرأس، ومعدلات أخذ العينات، وما إلى ذلك.

على الرغم من دمج جزء كبير من تقنيات وأفكار MUSICAM في تعريف طبقتي الصوت الأولى والثانية في MPEG، إلا أن بنك المرشحات وحده وبنية البيانات القائمة على تأطير 1152 عينة (تنسيق الملف وتدفق البيانات الموجه بالبايت) في MUSICAM بقيت في تنسيق الطبقة الثالثة (MP3)، كجزء من بنك المرشحات الهجين غير الفعال حسابيًا . برئاسة البروفيسور موسمان من جامعة لايبنيز هانوفر ، أُسندت مهمة تحرير المعيار إلى ليون فان دي كيركوف (هولندا)، وجيرهارد ستول (ألمانيا)، وإيف فرانسوا ديهيري (فرنسا)، الذين عملوا على الطبقتين الأولى والثانية. كان ASPEC اقتراحًا مشتركًا من مختبرات AT&T Bell، وشركة Thomson Consumer Electronics، وجمعية Fraunhofer، و CNET . ^{[ 51 ]} وقد وفر أعلى كفاءة في الترميز.

قام فريق عمل مكون من فان دي كيركوف، ستول، ليوناردو كياريجليوني ( نائب رئيس CSELT للإعلام)، إيف فرانسوا ديهيري، كارلهاينز براندنبورغ (ألمانيا) وجيمس دي جونستون (الولايات المتحدة) بأخذ أفكار من ASPEC، ودمج بنك المرشحات من Layer II، وأضاف بعض أفكارهم مثل الترميز الاستريو المشترك لـ MUSICAM، وأنشأ تنسيق MP3، الذي تم تصميمه لتحقيق نفس الجودة عند 128 كيلوبت/ثانية مثل MP2 عند 192 كيلوبت/ثانية .

تمت الموافقة على خوارزميات طبقات الصوت الأولى والثانية والثالثة من معيار MPEG-1 في عام 1991 ^{[ 14 ] [ 15 ]} ، وتمّ اعتمادها نهائيًا في عام 1992 ^{[ 16 ]} كجزء من معيار MPEG-1 ، وهو أول مجموعة معايير من MPEG ، والذي نتج عنه المعيار الدولي ISO/IEC 11172-3 (المعروف أيضًا باسم MPEG-1 Audio أو MPEG-1 Part 3 )، والذي نُشر في عام 1993. ^{[ 7 ]} يجب أن تدعم الملفات أو تدفقات البيانات المتوافقة مع هذا المعيار معدلات عينات تبلغ 48 كيلوهرتز و44100 و32 كيلوهرتز، ولا تزال مدعومة من قبل مشغلات وأجهزة فك تشفير MP3 الحالية . وهكذا، حدّد الجيل الأول من MP3 42 تفسيرًا لهياكل بيانات إطار MP3 وتخطيطات أحجامها (14 × 3 = 42) .

تُحدد كفاءة ضغط المُشفِّرات عادةً بمعدل البتات، لأن نسبة الضغط تعتمد على عمق البتات ومعدل أخذ العينات لإشارة الإدخال. ومع ذلك، تُنشر نسب الضغط بشكل متكرر. وقد تستخدم هذه النسب معايير القرص المضغوط (CD) كمرجع (44.1 كيلوهرتز ، قناتان بـ 16 بت لكل قناة أو 2×16 بت)، أو أحيانًا معايير شريط الصوت الرقمي (DAT) SP (48  كيلوهرتز، 2×16 بت). وتكون نسب الضغط باستخدام هذا المرجع الأخير أعلى، مما يُظهر إشكالية استخدام مصطلح " نسبة الضغط" للمُشفِّرات التي تُفقد البيانات.

استخدم براندنبورغ تسجيلًا صوتيًا لأغنية " Tom's Diner " لسوزان فيغا على قرص مضغوط لتقييم خوارزمية ضغط MP3 وتحسينها . ^{[ 52 ]} تم اختيار هذه الأغنية نظرًا لطبيعتها أحادية الصوت تقريبًا ومحتواها الطيفي الواسع، مما يسهل سماع عيوب تنسيق الضغط أثناء التشغيل. يتميز هذا المقطع الصوتي بخاصية مثيرة للاهتمام، وهي أن القناتين متطابقتان تقريبًا، ولكن ليس تمامًا، مما يؤدي إلى حالة يتسبب فيها انخفاض مستوى التغطية الثنائية في كشف مكاني لتشوهات الضوضاء ما لم يتعرف المُشفِّر على الوضع بشكل صحيح ويُطبق تصحيحات مشابهة لتلك الموضحة بالتفصيل في النموذج النفسي الصوتي لـ MPEG-2 AAC. تم أخذ بعض المقتطفات الصوتية الأكثر أهمية ( مثل الجلوكنسبيل والمثلث والأكورديون ، إلخ) من القرص المضغوط المرجعي EBU V3/SQAM، وقد استخدمها مهندسو الصوت المحترفون لتقييم الجودة الذاتية لتنسيقات MPEG الصوتية.

قام أعضاء لجنة الصوت MPEG التابعة للمنظمة الدولية للمقاييس (ISO) بتطوير برنامج محاكاة مرجعي مكتوب بلغة C، عُرف لاحقًا باسم ISO 11172-5 ، وذلك خلال الفترة 1991-1996، لإنتاج ملفات صوت MPEG متوافقة مع معايير البت (الطبقة 1، الطبقة 2، الطبقة 3). تمت الموافقة عليه كمسودة للجنة ضمن التقرير الفني للمنظمة الدولية للمقاييس/اللجنة الكهروتقنية الدولية (ISO/IEC) في مارس 1994، وطُبع كوثيقة CD 11172-5 في أبريل 1994. ^{[ 53 ]} ثم تمت الموافقة عليه كمسودة تقرير فني (DTR/DIS) في نوفمبر 1994، ^{[ 54 ]} وتمت صياغته النهائية في عام 1996، ونُشر كمعيار دولي ISO/IEC TR 11172-5:1998 في عام 1998. ^{[ 55 ]} لاحقًا، نُشر البرنامج المرجعي المكتوب بلغة C كمعيار ISO متاح مجانًا. ^{[ 56 ]} من خلال العمل في ظروف غير آنية على أنظمة تشغيل متعددة، تمكن النظام من إثبات أول عملية فك تشفير صوت مضغوط في الوقت الحقيقي باستخدام الأجهزة (القائمة على معالجة الإشارات الرقمية). كما توفرت بعض التطبيقات الأخرى في الوقت الحقيقي لمشفرات ومفككات صوت MPEG ^{[ 57 ]} للبث الرقمي (راديو DAB ، تلفزيون DVB ) لأجهزة الاستقبال وأجهزة فك التشفير المنزلية.

في 7 يوليو 1994، أصدرت جمعية فراونهوفر أول برنامج لترميز ملفات MP3، باسم l3enc . ^{[ 58 ]} واختار فريق فراونهوفر امتداد اسم الملف .mp3 في 14 يوليو 1995 (كانت الملفات تُسمى سابقًا .bit ) . [ 59 ^{] [ 2 ] ومع إصدار} أول مشغل MP3 يعمل في الوقت الفعلي، WinPlay3 (في 9 سبتمبر 1995)، تمكن الكثيرون من ترميز ملفات MP3 وتشغيلها على أجهزة الكمبيوتر الخاصة بهم. ونظرًا لصغر حجم محركات الأقراص الصلبة في ذلك الوقت (حوالي 500-1000 ميجابايت )، كان الضغط مع فقدان البيانات ضروريًا لتخزين ألبومات موسيقية متعددة على جهاز كمبيوتر منزلي كملفات كاملة (بدلاً من تدوين MIDI ، أو ملفات التتبع التي تجمع بين التدوين الموسيقي وتسجيلات قصيرة لآلات تعزف نغمات منفردة).

في النصف الثاني من تسعينيات القرن الماضي، بدأت ملفات MP3 بالانتشار على الإنترنت ، غالبًا عبر شبكات توزيع الأغاني المقرصنة السرية. نُظمت أول تجربة معروفة في التوزيع عبر الإنترنت في أوائل التسعينيات من قِبل أرشيف موسيقى الإنترنت السرية (IUMA). بعد بعض التجارب ^{[ 69 ]} باستخدام ملفات صوتية غير مضغوطة، بدأ هذا الأرشيف بنشر بعض ملفات MPEG الصوتية المضغوطة عبر الإنترنت العالمي ذي السرعة المنخفضة باستخدام تنسيق MP2 (الطبقة الثانية)، ثم استخدم لاحقًا ملفات MP3 بعد اكتمال المعيار. ازدادت شعبية ملفات MP3 بسرعة مع ظهور مشغل الصوت Winamp من شركة Nullsoft ، الذي صدر عام 1997، والذي كان لا يزال يضم 80 مليون مستخدم نشط حتى عام 2023. ^{[ 70 ]} في عام 1998، أضاف برنامج Windows Media Player 5.2 والإصدارات اللاحقة دعمًا لصيغة MP3، وتم إصدار أول مشغل صوت رقمي محمول يعمل بتقنية الحالة الصلبة ، وهو MPMan ، الذي طورته شركة SaeHan Information Systems، ومقرها في سيول ، كوريا الجنوبية ، وتم بيع جهاز Rio PMP300 بعد ذلك في عام 1998، على الرغم من الجهود القانونية التي بذلتها رابطة صناعة التسجيلات الأمريكية (RIAA) لقمع ذلك . ^{[ 71 ]}

في نوفمبر 1997، كان موقع mp3.com يُقدّم آلاف ملفات MP3 مجانًا، من إنتاج فنانين مستقلين. ^{[ 71 ]} ساهم صغر حجم ملفات MP3 في انتشار مشاركة الملفات الموسيقية المنسوخة من الأقراص المدمجة على نطاق واسع، وهو أمر كان شبه مستحيل سابقًا. أُطلقت أول شبكة كبيرة لمشاركة الملفات بين المستخدمين ، نابستر ، عام 1999. أدّت سهولة إنشاء ملفات MP3 ومشاركتها إلى انتهاكات واسعة النطاق لحقوق النشر . جادلت شركات التسجيلات الكبرى بأن هذه المشاركة المجانية للموسيقى تُقلّل المبيعات، ووصفتها بـ" قرصنة الموسيقى ". وردّت هذه الشركات برفع دعاوى قضائية ضد نابستر، التي أُغلقت لاحقًا وبِيعت، وضد المستخدمين الأفراد الذين شاركوا في مشاركة الملفات. عادت نابستر لاحقًا كخدمة بث موسيقى شرعية. ^{[ 72 ]}

يستمر تبادل ملفات MP3 غير المصرح به على شبكات الجيل التالي من نوع نظير إلى نظير . وتبيع الخدمات المصرح بها، مثل Amazon.com و Beatport و Bleep و eMusic و Juno Records و Napster التي عادت للظهور ، موسيقى غير مقيدة بصيغة MP3.

رسم تخطيطي لبنية ملف MP3 (يقوم إصدار MPEG 2.5، غير الموصوف هنا، بتغيير البت الأخير من كلمة المزامنة إلى 0 كمؤشر، مما يؤدي فعليًا إلى نقل بت واحد إلى حقل الإصدار. ^{[ 66 ]} )

يتكون ملف MP3 من إطارات MP3، والتي تتألف بدورها من رأس وكتلة بيانات. يُطلق على هذا التسلسل من الإطارات اسم التدفق الأولي . ونظرًا لوجود مخزن البتات، فإن الإطارات ليست عناصر مستقلة، ولا يمكن عادةً استخراجها عند حدود إطارات عشوائية. تحتوي كتل بيانات MP3 على معلومات الصوت (المضغوطة) من حيث الترددات والسعات. يوضح الرسم التخطيطي أن رأس MP3 يتكون من كلمة مزامنة ، تُستخدم لتحديد بداية إطار صالح. يلي ذلك بت يشير إلى أن هذا هو معيار MPEG ، وبتان يشيران إلى استخدام الطبقة 3؛ ومن هنا جاء اسم MPEG-1 Audio Layer 3 أو MP3. بعد ذلك، تختلف القيم باختلاف ملف MP3. يحدد معيار ISO/IEC 11172-3 نطاق القيم لكل قسم من أقسام الرأس، بالإضافة إلى مواصفات الرأس. تحتوي معظم ملفات MP3 اليوم على بيانات تعريف ID3 ، والتي تسبق أو تلي إطارات MP3، كما هو موضح في الرسم التخطيطي. يمكن أن يحتوي تدفق البيانات على مجموع اختباري اختياري .

يتم إجراء التصوير المجسم المشترك فقط على أساس إطار بإطار. ^{[ 73 ]}

باختصار، تعمل تقنية ضغط ملفات MP3 على تقليل دقة بعض مكونات الصوت التي تُعتبر (بحسب التحليل النفسي الصوتي) خارج نطاق قدرة السمع لدى معظم البشر. تُعرف هذه الطريقة عادةً بالترميز الإدراكي أو النمذجة النفسية الصوتية . ^{[ 74 ]} ثم تُسجل المعلومات الصوتية المتبقية بطريقة فعّالة من حيث المساحة باستخدام خوارزميات MDCT و FFT .

تنقسم خوارزمية ترميز MP3 عمومًا إلى أربعة أجزاء. يقسم الجزء الأول الإشارة الصوتية إلى أجزاء أصغر تُسمى إطارات، ثم يُطبق عليها مرشح MDCT. يُمرر الجزء الثاني العينة إلى تحويل فورييه سريع (FFT) ذي 1024 نقطة، ثم يُطبق النموذج النفسي الصوتي، ويُطبق مرشح MDCT آخر على المخرجات. يُحدد الجزء الثالث كمية كل عينة ويُرمزها، وهي عملية تُعرف بتخصيص الضوضاء، وتُعدّل نفسها تلقائيًا لتلبية متطلبات معدل البت وإخفاء الصوت . يُنسق الجزء الرابع دفق البتات ، المسمى إطارًا صوتيًا، والذي يتكون من أربعة أجزاء: الرأس ، وفحص الأخطاء ، والبيانات الصوتية ، والبيانات المساعدة . ^{[ 34 ]}

يستخدم ترميز MP3 بنية تحويل جيب التمام متعدد الكواشف (MDCT) المتداخلة. يتكون كل إطار MPEG-1 MP3 من 1152 عينة، مقسمة إلى مجموعتين من 576 عينة. تُحوّل هذه العينات الـ 576 المتتالية، الموجودة مبدئيًا في المجال الزمني، في كتلة واحدة إلى 576 عينة في المجال الترددي بواسطة تحويل جيب التمام متعدد الكواشف. ^{[ 75 ]} يسمح ترميز MP3 أيضًا باستخدام كتل أقصر في المجموعة، تصل إلى 192 عينة؛ وتُستخدم هذه الميزة عند اكتشاف إشارة عابرة . يحدّ ذلك من الانتشار الزمني لضوضاء التكميم المصاحبة للإشارة العابرة (انظر علم النفس الصوتي ). دقة التردد محدودة بحجم نافذة الكتلة الطويلة الصغيرة، مما يقلل من كفاءة الترميز. ^{[ 73 ]} قد تكون دقة الزمن منخفضة جدًا بالنسبة للإشارات العابرة للغاية، وقد تتسبب في تشويش الأصوات الإيقاعية. ^{[ 73 ]}

بسبب بنية الشجرة لمجموعة المرشحات، تتفاقم مشاكل ما قبل الصدى، إذ أن استجابة النبضة المجمعة لمجموعتي المرشحات لا توفر، ولا يمكنها توفير، حلاً أمثل في دقة الزمن/التردد. ^{[ 73 ]} إضافةً إلى ذلك، يؤدي دمج مخرجات مجموعتي المرشحات إلى مشاكل التداخل التي يجب معالجتها جزئيًا بواسطة مرحلة تعويض التداخل؛ ومع ذلك، ينتج عن ذلك طاقة زائدة للترميز في مجال التردد، مما يقلل من كفاءة الترميز. ^{[ 76 ]}

من ناحية أخرى، يُعرَّف فك التشفير بدقة في المعيار. تتوافق معظم برامج فك التشفير مع معيار تدفق البتات ، ما يعني أن الناتج المُفكَّك من ملف MP3 مُحدد سيكون مطابقًا، ضمن هامش خطأ مُحدد ، للناتج المُحدد رياضيًا في وثيقة المعيار العالي ISO/IEC (ISO/IEC 11172-3). لذلك، تعتمد مقارنة برامج فك التشفير عادةً على كفاءتها الحسابية (أي مقدار الذاكرة أو وقت وحدة المعالجة المركزية المُستخدم في عملية فك التشفير). مع مرور الوقت، تضاءلت أهمية هذا الأمر مع انتقال ترددات ساعة وحدة المعالجة المركزية من ميغاهرتز إلى غيغاهرتز. لم يُحدد التأخير الكلي بين المُشفِّر/المُفكِّك، ما يعني عدم وجود بند رسمي للتشغيل المتواصل . مع ذلك، يُمكن لبعض برامج التشفير، مثل LAME، إرفاق بيانات وصفية إضافية تُتيح للمشغلات التي تدعمها تقديم تشغيل سلس.

عند إجراء ترميز صوتي مع فقدان البيانات، مثل إنشاء ملف MP3، توجد مفاضلة بين كمية البيانات المُولَّدة وجودة الصوت الناتج. يختار مُنشئ ملف MP3 معدل البت، الذي يُحدد عدد الكيلوبتات المطلوبة في الثانية من الصوت. كلما زاد معدل البت، زاد حجم ملف MP3، وعمومًا، اقترب الصوت الناتج من التسجيل الأصلي. مع معدل بت منخفض جدًا، قد تظهر تشوهات ناتجة عن الضغط (أي أصوات لم تكن موجودة في التسجيل الأصلي) في الملف المُعاد إنتاجه. يصعب ضغط بعض الأصوات بسبب عشوائيتها وبداياتها الحادة. عند ضغط هذا النوع من الصوت، عادةً ما تُسمع تشوهات مثل الرنين أو الصدى المسبق . تُقدم عينة من التصفيق أو آلة المثلث بمعدل بت منخفض نسبيًا أمثلة جيدة على تشوهات الضغط. تميل معظم الاختبارات الذاتية لبرامج الترميز الإدراكية إلى تجنب استخدام هذه الأنواع من المواد الصوتية، ومع ذلك، فإن القطع الأثرية الناتجة عن الأصوات الإيقاعية بالكاد يمكن إدراكها بسبب ميزة الإخفاء الزمني المحددة لبنك المرشحات ذي النطاق الفرعي 32 للطبقة الثانية التي يعتمد عليها التنسيق.

لا يتضمن معيار MPEG -1 مواصفات دقيقة لبرنامج ترميز MP3، ولكنه يقدم أمثلة على النماذج النفسية الصوتية، وحلقات معدل البت، وما شابه ذلك في الجزء غير المعياري من المعيار الأصلي. ^{[ 77 ]} عند كتابة هذا المعيار، كانت التطبيقات المقترحة قديمة نوعًا ما. كان من المفترض أن يبتكر مطورو المعيار خوارزميات مناسبة لإزالة أجزاء من المعلومات من مدخلات الصوت. ونتيجة لذلك، أصبح العديد من برامج ترميز MP3 المختلفة متاحًا، ينتج كل منها ملفات بجودة متفاوتة. كانت المقارنات متاحة على نطاق واسع، مما سهّل على المستخدم المحتمل لبرنامج الترميز البحث عن الخيار الأفضل. بعض برامج الترميز التي كانت بارعة في الترميز بمعدلات بت عالية (مثل LAME ) لم تكن بالضرورة جيدة بنفس القدر في معدلات بت منخفضة.

إلى جانب معدل البتات للملف الصوتي المُشفّر، تعتمد جودة الصوت المُشفّر بصيغة MP3 أيضًا على جودة خوارزمية التشفير ومدى تعقيد الإشارة المُشفّرة. ونظرًا لأن معيار MP3 يتيح قدرًا كبيرًا من المرونة في خوارزميات التشفير، فإن جودة الصوت تختلف اختلافًا كبيرًا بين أجهزة التشفير المختلفة، حتى مع تطابق معدلات البتات. على سبيل المثال، في اختبار استماع عام باستخدام جهازي تشفير MP3 قديمين مضبوطين على حوالي 128 كيلوبت/ثانية ، ^{[ 78 ]} حصل أحدهما على 3.66 من 5، بينما حصل الآخر على 2.22 فقط. وتعتمد الجودة على اختيار جهاز التشفير ومعايير التشفير. ^{[ 79 ]}

أحدثت هذه الملاحظة ثورة في ترميز الصوت. في البداية، كان معدل البت هو الاعتبار الأساسي والوحيد. في ذلك الوقت، كانت ملفات MP3 من أبسط الأنواع: إذ كانت تستخدم نفس معدل البت للملف بأكمله، وتُعرف هذه العملية بترميز معدل البت الثابت (CBR). استخدام معدل بت ثابت يجعل الترميز أبسط وأقل استهلاكًا لموارد المعالج. مع ذلك، من الممكن أيضًا تحسين حجم الملف عن طريق إنشاء ملفات يتغير فيها معدل البت خلاله، وتُعرف هذه الملفات بترميز معدل البت المتغير. كان كل من خزان البت وترميز معدل البت المتغير جزءًا من معيار MPEG-1 الأصلي. تقوم الفكرة وراءهما على أنه في أي مقطع صوتي، تكون بعض المقاطع أسهل في الضغط، مثل الصمت أو الموسيقى التي تحتوي على نغمات قليلة، بينما تكون مقاطع أخرى أكثر صعوبة في الضغط. لذا، يمكن تحسين الجودة الإجمالية للملف باستخدام معدل بت أقل للمقاطع الأقل تعقيدًا ومعدل بت أعلى للأجزاء الأكثر تعقيدًا. مع بعض برامج ترميز MP3 المتقدمة، من الممكن تحديد جودة معينة، وسيقوم برنامج الترميز بضبط معدل البت وفقًا لذلك. يمكن للمستخدمين الذين يرغبون في "إعداد جودة" معين يكون شفافًا لآذانهم استخدام هذه القيمة عند ترميز جميع موسيقاهم، وبشكل عام لا يحتاجون إلى القلق بشأن إجراء اختبارات استماع شخصية على كل مقطوعة موسيقية لتحديد معدل البت الصحيح.

يمكن أن تتأثر الجودة المُدركة ببيئة الاستماع (الضوضاء المحيطة)، وانتباه المستمع، وتدريبه، وفي معظم الحالات بمعدات الصوت الخاصة به (مثل بطاقات الصوت، ومكبرات الصوت، وسماعات الرأس). علاوة على ذلك، يمكن تحقيق جودة كافية باستخدام إعدادات جودة أقل للمحاضرات وتطبيقات الكلام البشري، مما يقلل من وقت التشفير وتعقيده. أظهر اختبار أجراه أستاذ الموسيقى بجامعة ستانفورد، جوناثان بيرغر، على الطلاب الجدد، أن تفضيل الطلاب للموسيقى بجودة MP3 قد ازداد سنويًا. قال بيرغر إن الطلاب يبدو أنهم يفضلون الأصوات المميزة التي توفرها ملفات MP3 للموسيقى. ^{[ 80 ]}

في دراسة معمقة لجودة الصوت في ملفات MP3، يعزل مشروع "الشبح في MP3" للفنان والملحن ريان ماغواير الأصوات المفقودة أثناء ضغط ملفات MP3. في عام 2015، أصدر مقطوعة "moDernisT" (وهي قلب حروف "Tom's Diner")، المؤلفة بالكامل من الأصوات المحذوفة أثناء ضغط أغنية "Tom's Diner" إلى MP3، ^{[ 81 ] [ 82 ] [ 83 ]} وهي المقطوعة التي استُخدمت في الأصل في صياغة معيار MP3. نُشر شرح مفصل للتقنيات المستخدمة لعزل الأصوات المحذوفة أثناء ضغط ملفات MP3، بالإضافة إلى الدافع المفاهيمي للمشروع، في وقائع المؤتمر الدولي للموسيقى الحاسوبية لعام 2014. ^{[ 84 ]}

معدل البت ، أو معدل البيانات تقنياً، والذي يُقاس عادةً بالبتات في الثانية ، يرتبط عند ترميز البيانات الصوتية بحجم العينة (عدد البتات لكل عينة صوتية) ومعدل أخذ العينات : يتم ترميز الصوت في الأقراص المدمجة باستخدام تعديل بسيط لرمز النبض باستخدام عينات 16 بت.44100 منها في الثانية، لكل قناة من القناتين (اليسرى واليمنى). لذا، فإن الضرب44100 عينة  في الثانية بواسطة16  بت لكل عينة بواسطةقناتان  تعطيان​1411200 بت في الثانية - معدل نقل البيانات للصوت الرقمي غير المضغوط على  الأقراص المدمجة. تم تصميم MP3 لترميز هذا بيانات خام بسرعة 1411 كيلوبت/ثانية320  كيلوبت/ثانية أو أقل. إذا اكتشفت خوارزميات MP3 مقاطع أقل تعقيدًا، فقد يتم استخدام معدلات بت أقل.

كما هو موضح في هذين الجدولين:

• يسمح معيار MPEG-1 Audio Layer III بـ 14 معدل بت مختار: 32، 40، 48، 56، 64، 80، 96، 112، 128، 160، 192، 224، 256 و 320 كيلوبت/ثانية ، بالإضافة إلى أعلى 3 معدلات أخذ عينات متاحة وهي 32، 44.1 و48 كيلوهرتز . ^{[ 66 ]} 
• كما يسمح معيار MPEG-2 Audio Layer III بـ 14 معدل بت منخفض عالميًا تبلغ 8 و16 و24 و32 و40 و48 و56 و64 و80 و96 و112 و128 و144 و 160 كيلوبت/ثانية مع معدلات أخذ عينات تبلغ 16 و22.05 و24 كيلوهرتز ، وهي نصف معدل MPEG-1 تمامًا. ^{[ 66 ]} 
• تقتصر إطارات MPEG-2.5 Audio Layer III على 8 معدلات بت فقط وهي 8 و16 و24 و32 و40 و48 و56 و 64 كيلوبت/ثانية مع 3 معدلات أخذ عينات أقل وهي 8 و11.025 و12  كيلوهرتز .

كما تفتقر الأنظمة السابقة إلى عناصر التحكم في التشغيل السريع والتقديم والترجيع في ملفات MP3. ^{[ 86 ] [ 87 ]}

تحتوي إطارات MPEG-1 على أعلى مستوى من التفاصيل في وضع 320 كيلوبت/ثانية ، وهو أعلى معدل بت مسموح به، ^{[ 88 ]} بينما تتطلب الأصوات الصامتة والنغمات البسيطة معدل 32 كيلوبت/ثانية . أما إطارات MPEG-2 فتستطيع التقاط الصوت بتردد يصل إلى 12  كيلوهرتز، وهو ما يتطلب معدل بت يصل إلى 160 كيلوبت/ثانية .

يُستخدم معدل عينة يبلغ 44.1  كيلوهرتز بشكل شائع في إعادة إنتاج الموسيقى، لأنه يُستخدم أيضًا في تسجيلات الصوت على الأقراص المدمجة ، المصدر الرئيسي لإنشاء ملفات MP3. تُستخدم معدلات بت متنوعة على الإنترنت، حيث يُستخدم معدل بت 128 كيلوبت/ثانية بشكل شائع ^{[ 89 ]} بنسبة ضغط 11:1، مما يوفر جودة صوت مناسبة في حجم صغير نسبيًا. ومع ازدياد توفر نطاق ترددي الإنترنت وسعات محركات الأقراص الصلبة، انتشرت معدلات بت أعلى تصل إلى 320 كيلوبت/ثانية . يبلغ معدل بت الصوت غير المضغوط المخزن على قرص صوتي مدمج 1411.2 كيلوبت/ثانية (16 بت/عينة  × 44100 عينة/ثانية  × قناتين  / 1000 بت/كيلوبت)، لذا فإن معدلات البت 128 و160 و 192 كيلوبت/ثانية تمثل نسب ضغط تقريبية 11:1 و9:1 و7:1 على التوالي.

يمكن تحقيق معدلات بت غير قياسية تصل إلى 640 كيلوبت/ثانية باستخدام مُشفِّر LAME وخيار التنسيق الحر، مع أن عددًا قليلًا من مشغلات MP3 يدعم تشغيل هذه الملفات. وفقًا لمعيار ISO، يُشترط أن تكون برامج فك التشفير قادرة على فك تشفير تدفقات تصل إلى 320 كيلوبت/ثانية فقط . ^{[ 90 ] [ 91 ] [ 92 ]} استخدمت مُشفِّرات MPEG Layer III المبكرة ما يُعرف الآن بمعدل البت الثابت (CBR). كان البرنامج قادرًا فقط على استخدام معدل بت موحد لجميع الإطارات في ملف MP3. لاحقًا، أصبحت مُشفِّرات MP3 الأكثر تطورًا قادرة على استخدام خزان البت لاستهداف معدل بت متوسط ، وذلك باختيار معدل التشفير لكل إطار بناءً على تعقيد الصوت في ذلك الجزء من التسجيل.

يمكن لمشفّر MP3 الأكثر تطورًا إنتاج صوت بمعدل بت متغير. قد يستخدم صوت MPEG تبديل معدل البت على أساس كل إطار، ولكن يجب أن تدعمه فقط أجهزة فك التشفير من الطبقة الثالثة. ^{[ 66 ] [ 93 ] [ 94 ] [ 95 ]} يُستخدم معدل البت المتغير عندما يكون الهدف هو تحقيق مستوى جودة ثابت. يكون حجم الملف النهائي لتشفير VBR أقل قابلية للتنبؤ مقارنةً بمعدل البت الثابت. معدل البت المتوسط ​​هو نوع من VBR يُنفذ كحل وسط بين الاثنين: يُسمح لمعدل البت بالتغير للحصول على جودة أكثر اتساقًا، ولكن يتم التحكم فيه ليبقى قريبًا من قيمة متوسطة يختارها المستخدم، للحصول على أحجام ملفات قابلة للتنبؤ. على الرغم من أن جهاز فك تشفير MP3 يجب أن يدعم VBR ليكون متوافقًا مع المعايير، إلا أن بعض أجهزة فك التشفير تاريخيًا كانت تعاني من أخطاء في فك تشفير VBR، خاصةً قبل أن تصبح مشفّرات VBR منتشرة على نطاق واسع.

يسمح معيار MPEG بمعدلات بت تصل إلى 320 كيلوبت/ثانية ، ولكن بسبب خطأ في مواصفات MP3، فإن استخدام 320 كيلوبت/ثانية (بما في ذلك إطارات 320 كيلوبت/ثانية في ملف VBR) بمعدل عينة الأقراص المضغوطة القياسي 44.1  كيلوهرتز يُنتج إطارات أكبر من المسموح به في المعيار. مع ذلك، ستظل معظم مشغلات الأقراص قادرة على تشغيل هذه الملفات. أعلى معدل بت عند 44.1  كيلوهرتز، والذي يقع ضمن حدود المعيار، هو 256 كيلوبت/ثانية . لا يُمثل هذا مشكلة عند 48  كيلوهرتز، حيث يبقى حجم الإطار ضمن الحدود المسموح بها. بالنسبة لمعيار MPEG-1، يبلغ الحد الأقصى 7680 بت لكل إطار، وهو حجم إطار 48 كيلوهرتز عند 320 كيلوبت/ثانية. ^{[ 96 ]}

يمكن للصوت من الطبقة الثالثة أيضًا استخدام خزان البتات ، وهي قدرة الإطار الممتلئ جزئيًا على الاحتفاظ بجزء من بيانات الصوت للإطار التالي، مما يسمح بإجراء تغييرات مؤقتة في معدل البتات الفعلي، حتى في دفق معدل بتات ثابت. ^{[ 66 ] [ 93 ]} تؤدي المعالجة الداخلية لخزان البتات إلى زيادة تأخير التشفير. ^{[ 97 ]} لا يوجد نطاق عامل قياس 21 (sfb21) للترددات التي تزيد عن 16 كيلوهرتز تقريبًا ، مما يجبر المُشفِّر على الاختيار بين تمثيل أقل دقة في النطاق 21 أو تخزين أقل كفاءة في جميع النطاقات الأقل من النطاق 21، مما يؤدي إلى هدر في معدل البتات في تشفير VBR. ^{[ 98 ]} 

يمكن استخدام حقل البيانات الإضافية لتخزين بيانات يُحددها المستخدم. البيانات الإضافية اختيارية، ولا يُحدد عدد البتات المتاحة صراحةً. تقع البيانات الإضافية بعد بتات ترميز هوفمان، وتمتد إلى موضع بداية البيانات الرئيسية للإطار التالي. يستخدم برنامج التشفير mp3PRO البيانات الإضافية لترميز معلومات إضافية تُحسّن جودة الصوت عند فك تشفيره باستخدام خوارزميته.

الوسم في ملف صوتي هو جزء من الملف يحتوي على بيانات وصفية مثل العنوان، والفنان، والألبوم، ورقم المسار، أو معلومات أخرى حول محتوى الملف. لا تحدد معايير MP3 تنسيقات للوسوم في ملفات MP3، كما لا يوجد تنسيق حاوية قياسي يدعم البيانات الوصفية ويُغني عن الحاجة إلى الوسوم. مع ذلك، توجد عدة معايير غير رسمية لتنسيقات الوسوم. اعتبارًا من عام 2010، كان أكثرها شيوعًا ID3v1 وID3v2 ، بالإضافة إلى APEv2 الذي طُرح مؤخرًا . تُضمّن هذه الوسوم عادةً في بداية أو نهاية ملفات MP3، بشكل منفصل عن بيانات إطار MP3 الفعلية. تقوم برامج فك تشفير MP3 إما باستخراج المعلومات من الوسوم أو بتجاهلها كبيانات غير مهمة لا علاقة لها بملفات MP3.

غالبًا ما تتضمن برامج تشغيل وتحرير الملفات وظيفة تعديل البيانات الوصفية، ولكن توجد أيضًا تطبيقات مخصصة لهذا الغرض. فضلًا عن البيانات الوصفية المتعلقة بالمحتوى الصوتي، يمكن استخدام البيانات الوصفية أيضًا لإدارة الحقوق الرقمية (DRM) . ^{[ 99 ]} يُعدّ ReplayGain معيارًا لقياس وتخزين مستوى صوت ملف MP3 ( تطبيع الصوت ) في بياناته الوصفية، مما يُمكّن مشغلًا متوافقًا مع ReplayGain من ضبط مستوى الصوت الإجمالي لكل ملف تلقائيًا. ويمكن استخدام MP3Gain لتعديل الملفات بشكل عكسي بناءً على قياسات ReplayGain، بحيث يُمكن تحقيق التشغيل المُعدّل على المشغلات التي لا تدعم ReplayGain.