音频格式之OGG

OGG音频格式是一种开源的压缩音频格式，全称为Ogg Vorbis。OGG文件分为两个库，libogg和libvorbis；

• ‌libogg ‌：处理 ‌Ogg 容器格式‌。它不关心内部数据是音频还是视频，只负责将数据打包成"页（Page）"和"流（Stream）"，处理帧同步、交错和文件结构解析。
• ‌libvorbis ‌：处理 ‌Vorbis 音频编码‌。它负责将 PCM 原始音频数据压缩成 Vorbis 比特流，或将 Vorbis 比特流解码回 PCM 数据，涉及心理声学模型等复杂算法

一、 OGG 格式

OGG 文件
├── Page 0 (BOS: 比特流开始)
│   ├── Header (27字节 ) 
│   └── Body (0~65307 字节，由Segments组成)
├── Page 1
│   ├── Header
│   └── Body
├── ...
└── Page N (EOS: 比特流结束)

1.1 页面头

偏移	大小（字节）	字段	说明
0~3	4	Capture Pattern同步	"OggS" 固定标识
4	1	Version 版本	版本号（当前为 0）
5	1	Header Type Flag标志位	bit0=BOS, bit1=EOS, bit2=续页 3 个有效 bit：0x01（CONTINUED）：页首 segment 是上一页未结束 Packet 的延续0x02（BOS）：逻辑流第一页（流起始）0x04（EOS）：逻辑流最后一页（流结束）
6~13	8	Granule Position 64位时间戳	时间戳/采样位置
14~17	4	Bitstream Serial No 流序列号	流序列号（多路复用标识）随机唯一 ID，区分文件内多条逻辑流（音频 / 视频 / 字幕）
18~21	4	Page Sequence No	页面序号，单条逻辑流内自增，检测丢页、乱序
22~25	4	Checksum	CRC32 校验和，整页（头 + 分段表 + 负载）校验，多项式 0x04C11DB7；计算时先把本字段置 0
26	1	Page Segments	段表条目数（0~255）

1.1.1 Header Type

0x01（CONTINUED）：页首 segment 是上一页未结束 Packet 的延续

0x02（ BOS）：逻辑流第一页（流起始）

0x04（EOS）：逻辑流最后一页（流结束）

1.2 body-segment_table (由Segments组成)

1.2.1 body的组成：

|----------|----------|----------|--------|
| Segment1 | Segment2 | Segment3 | ...... |

1.2.2 Segment组成:(字节)

|---------------|-------------|
| 1 | 0~255 |
| lacing values | Packet data |

1，lacing values：

• 数值范围‌：0 到 255（单字节无符号整数）。
• ‌基本规则 ‌：
  • ‌值 < 255 ‌：表示当前段的长度，且标志着‌当前数据包的结束‌。
  • ‌值 = 255 ‌：表示当前段长度为 255 字节，且‌数据包未结束‌，后续紧跟下一个 lacing value 继续累加长度。
• ‌特殊终止 ‌：若数据包长度恰好是 255 的倍数（如 255、510 字节），最后一个 lacing value 为 ‌0‌，以此标记包结束

2，packet data

packetdata 可以为Vorbis/Opus/Theora 格式的音频或者视频数据。

Packetdata可以跨多个page， 按照lacing value规则组Packetdata包即可。

二、Vorbis 格式

OGG 文件
├── Page 0: BOS (Beginning of Stream)
│   └── Packet 0: Vorbis Identification Header
├── Page 1
│   └── Packet 1: Vorbis Comment Header
├── Page 2
│   └── Packet 2: Vorbis Setup Header
├── Page 3~N
│   └── Audio Packets (音频数据块)
└── Page N+1: EOS (End of Stream)

2.1 Vorbis Identification Header（标识头）

固定字节30个字节，用于识别码流版本、声道、采样率、码率范围、分块大小；播放器 / 解码器初始化音频参数全部依赖此字段。小端存储。

偏移 (字节)	字段名称	位宽	类型	说明与约束
0	packet_type	8bit	u8	固定 0x01，标识这是 Identification Header
1~6	magic "vorbis"	6×8bit	ASCII	固定 v o r b i s，校验是否合法 Vorbis 头
7~10	vorbis_version	32bit	uint32_le	标准仅支持 0 = Vorbis I；非 0 直接拒绝解码
11	audio_channels	8bit	uint8	声道数，≥1；常见 1 (单声道)、2 (立体声)、6 (5.1)
12~15	audio_sample_rate	32bit	uint32_le	采样率，必须 > 0；如 8000/16000/44100/48000
16~19	bitrate_maximum	32bit	int32_le	最大瞬时比特率（bps）；无限制填 -1
20~23	bitrate_nominal	32bit	int32_le	平均标称码率；VBR 文件常填 -1
24~27	bitrate_minimum	32bit	int32_le	最小瞬时比特率；无限制填 -1
28	blocksize 混合字节	8bit	复合 bit 域	高 4bit = blocksize_0，低 4bit = blocksize_1
29	framing_flag	1bit	bit	低位，校验标志位；必须 = 1，否则码流非法

2.1.1 audio_channels 声道映射（标准定义）

• 1：Mono 单声道
• 2：Left / Right 立体声
• 3：L R Center
• 4：L R BackLeft BackRight
• 5：L R C BL BR
• 6：L R C LFE BL BR（5.1 环绕）

2.1.2 比特率 bitrate

单位：bit per second（bps），有符号 32 位：

• 值 >0：编码器给出参考码率上下限 / 目标码率
• 值 = -1：编码器未限制该参数（VBR 可变码率文件普遍三个全 - 1） 仅作播放器参考，不强制限制码流。

2.1.3 blocksize 混合字节拆解

1，bits 7~4（高 4 位）：blocksize_0_exp,

2，bits 3~0（低 4 位）：blocksize_1_exp

3，块计算

实际块大小 = 2^exp

强制约束：blocksize_0_exp ≤ blocksize_1_exp

4，标准合法取值：

blocksize0：256（2^8）、512（2^9）

blocksize1：1024（2^10）、2048（2^11） 常见组合：bs0=256, bs1=2048（exp0=8, exp1=11 → 字节值 0x8B）

短块（blocksize0）：瞬态音频（打击乐、人声爆音），时域分辨率高

长块（blocksize1）：稳态音乐，频域精度高、压缩率更好

2.2 Vorbis Comment Header（可选）

存储歌曲元数据（标题、歌手、专辑、封面、版权等标签），不参与音频解码，丢失仅无法读取标签，音频仍可播放。小端存储

偏移	字节	字段	固定值
0	1	packet_type	0x03（区分是 Comment 头）
1~6	6	magic 标识	v o r b i s (0x76 6F 72 62 69 73)
固定1	4	vendor length	vendor 字符串长度
可选	n	vendor string	依赖vendor length ，编码器标识（如 "Xiph.Org libvorbis 1.3.7"）
固定2	4	comments count	用户评论数量
可变	n	comments	依赖comments count，多条用户评论（每条格式：长度 + 内容）
固定3	1	framing_bit	实际只用1bit 校验标志位；必须 = 1，否则码流非法

官方约定的通用字段：

标签名	含义
TITLE	歌曲标题
ARTIST	主唱 / 艺人
ALBUM	专辑名
TRACKNUMBER	曲目序号，如 05 / 5/12
DATE	发行年份 / 日期
GENRE	曲风（Pop、Rock、Classical）
COPYRIGHT	版权信息
PERFORMER	演奏者（古典乐专用）
COMPOSER	作曲
DISCNUMBER	分碟序号（多碟专辑）
METADATA_BLOCK_PICTURE	内嵌封面（Base64 编码图片二进制）

2.3 Vorbis Setup Header

存储全部底层解码静态参数（码书、频谱映射、窗口模式、残差处理），没有它无法还原音频频谱；变长二进制比特流，纯位流读取（不是按字节对齐解析，大量位操作）；仅作用于解码器初始化，全局静态数据，音频帧不再重复携带；

偏移字节	字节	字段	固定值
0	1	packet_type	0x05
1~6	6	magic 串	vorbis (0x76 6F 72 62 69 73)
顺序1	n	codebooks	码定义-熵编码核心
顺序2	n	time backend	时间域后端设置（未使用）
顺序3	n	floor backend	低频/中频包络解码参数
顺序4	n	residue backend	高频残差解码参数
顺序5	n	map backend	声道映射参数
顺序6	n	mode	编码模式定义
顺序7	1	framing_bit	实际只用1bit 校验标志位；必须 = 1，否则码流非法

2.3.1 codebooks

1， codebook_count 1字节； 存储的是N-1，因此在计算的时候需要+1

2，codebook 结构

比特流布局:
┌─────────────────────────────────────────────────────────┐
│ Magic (24b) │ dim (16b) │ entries (24b) │ ordered (1b)│
├─────────────────────────────────────────────────────────┤
│ lengthlist (可变)                                       │
├─────────────────────────────────────────────────────────┤
│ maptype (4b) │ q_min (32b) │ q_delta (32b) │ ...       │
└─────────────────────────────────────────────────────────┘

字段		比特数	说明
Magic		24	魔数 0x564342（"VCB"）
dim		16	码本维度（每个向量的元素数）
entries		24	码本条目总数
ordered		1	码字是否有序（0=无序，1=有序）
ordered = 1	sparse（可选）	1	ordered= 0 仅无序时：unused是否有未使用条目
lengthlist		可变	码字长度列表（无序有序的时候，都需要计算该值）
maptype		4	值映射类型（0/1/2）
maptype= 1或2	q_min	32	量化最小值（打包浮点）
maptype= 1或2	q_delta	32	量化步长（打包浮点）
maptype= 1或2	q_quant	4	量化精度（实际值 = 读取值 + 1）
maptype= 1或2	q_sequencep	1	是否为单调序列
q_sequencep 和q_quant控制	quantlist	可变	量化值列表

1，maptype

值=1， 无填充

值= 2， 隐式填充映射（lattice VQ）

值=3，显示填充映射(tessellatedor 'foam'VQ)

2.3.2 time backend 、 floor backend、 residue backend、 map backend

Backend	数量读取	类型读取	实际参数	状态
Time	6 bits +1	16 bits	无	未使用，预留的时间域处理接口
Floor	6 bits +1	16 bits	有（floor_param）	已实现
Residue	6 bits +1	16 bits	有（residue_param）	已实现
Mapping	6 bits +1	16 bits	有（map_param）	已实现

1，支持的 Floor 类型：

类型	名称	算法特点
Type 0	线性分段	简单高效，适合低复杂度场景
Type 1	对数分段 + 查表	更精确的频率分辨率

2，支持的 Residue 类型：

类型	名称	适用场景
Type 0	常规残差编码	通用场景
Type 1	混合残差编码	复杂频谱
Type 2	脉冲编码	瞬态信号
Type 3	稀疏编码	稀疏频谱

3，支持的 Mapping 类型：

类型	名称	说明
Type 0	独立声道	各声道独立编码/解码
Type 1	耦合立体声	使用 M/S（Mid/Side）编码

4，Backend 协作关系图

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Floor Backend │    │ Residue Backend │    │  Mapping Backend│
│  (低频/中频)     │    │   (高频细节)     │    │   (声道映射)     │
└────────┬────────┘    └────────┬────────┘    └────────┬────────┘
         │                      │                      │
         └───────────┬──────────┘                      │
                     ▼                                 │
              ┌─────────────┐                          │
              │ 完整频谱    │                          │
              └──────┬──────┘                          │
                     │                                 │
                     ▼                                 │
              ┌─────────────┐                          │
              │   MDCT      │◄─────────────────────────┘
              │  逆变换     │
              └──────┬──────┘
                     │
                     ▼
              ┌─────────────┐
              │   PCM 输出   │
              └─────────────┘

2.3.3 mode

字段		比特数	范围	说明
blocksize		6		值需要+1，因此存储只存储的N-1的值
blocksize控制	blockflag	1	0/1	0=短块(1024采样), 1=长块(4096采样)
blocksize控制	windowtype	16	0~VI_WINDOWB-1	窗口函数类型
blocksize控制	transformtype	16	0~VI_WINDOWB-1	MDCT 变换类型
blocksize控制	mapping	8	0~maps-1	声道映射索引，按标准索引声道即可

1，blockflag

值	块大小	适用场景
0	短块（通常 1024 采样）	瞬态信号（鼓点、冲击声）
1	长块（通常 4096 采样）	稳态信号（持续音调）

设计原理：

• 短块：时间分辨率高，频率分辨率低，适合捕捉快速变化的信号
• 长块：频率分辨率高，时间分辨率低，适合持续的稳态信号

2，windowtype

窗口函数作用：在 MDCT 变换前后应用，减少频谱泄漏

窗口类型	特点
0	正弦窗口
1	改进的正弦窗口
其他	预留扩展

3，transformtype

变换类型	说明
0	标准 MDCT
其他	预留扩展

2.4 Audio Packets

本章节之介绍基础的格式，具体的音频数据格式涉及解码部分，本文不做详细介绍，有兴趣可以去阅读标准文档

音频数据包结构:
┌─────────────────────────────────────────────────────────┐
│ packet_type (1b) = 0         │ 标识这是音频数据包       │
├─────────────────────────────────────────────────────────┤
│ mode (modebits)              │ 模式索引                 │
├─────────────────────────────────────────────────────────┤
│ [lW (1b) + nW (1b)]          │ 仅长块: 前后窗口类型     │
├─────────────────────────────────────────────────────────┤
│ mapping-specific data         │ 映射相关数据             │
│   ├─ floor 编码数据          │                          │
│   ├─ residue 编码数据        │                          │
│   └─ coupling 编码数据  
│   └─ MDCT 逆变换 → PCM      │                          │
└─────────────────────────────────────────────────────────┘

1，基础字段介绍：

字段	比特数	说明
packet_type	1	必须为 0（头包为 1/3/5）
mode	modebits	模式索引（通常 1-6 bits）
lW	1	仅长块：左窗口类型
nW	1	仅长块：右窗口类型
mapping_data	可变	floor/residue/coupling /MDCT编码数据

1，mode

每个音频数据包开头包含模式索引，决定：

• 块大小（短块 1024 或长块 4096）
• 窗口类型（平滑过渡或陡峭过渡）
• 映射配置（声道耦合方式

2， 窗口类型（nw，lw）

值	窗口类型	适用场景
0	正弦窗口	平滑过渡，避免瞬态
1	调谐窗口	陡峭过渡，保留瞬态

3，与头包的区别

特性	头包	音频数据包
packet_type	1/3/5	0
内容	编解码参数	音频数据
数量	固定 3 个	可变（取决于时长）
大小	较大（含码本等）	较小（一帧数据）
b_o_s	第一个头包为 1	0
e_o_s	0	最后一包为 1