一、概述
AAC（Advanced Audio Coding），中文名：高级音频编码。出现于1997年，基于MPEG-2的音频编码技术。由Fraunhofer IIS、杜比实验室、AT&T、索尼等公司共同开发，目的是取代MP3格式。
2000年，MPEG-4标准出现后，AAC重新集成了其特性，加入了SBR技术和PS技术，为了区别于传统的MPEG-2 AAC又称为MPEG-4 AAC。
本文从aac编码的基础概念出发展开，后面包含aac编码规格、AAC格式的文件怎么组成的。
二、aac编码规格
aac有9种规格(Profile)，以适应不同场景
MPEG-2 AAC LC：低复杂度规格（Low Complexity） 注：比较简单，没有增益控制，但提高了编码效率，在中等码率的编码效率以及音质方面，都能找到平衡点。
MPEG-2 AAC Main：主规格
MPEG-2 AAC SSR：可变采样率规格（Scaleable Sample Rate）
MPEG-4 AAC LC：低复杂度规格（Low Complexity）—现在的手机比较常见的MP4文件中的音频部份就包括了该规格音频文件
MPEG-4 AAC Main：主规格 注：包含了除增益控制之外的全部功能，其音质最好
MPEG-4 AAC SSR：可变采样率规格（Scaleable Sample Rate）
MPEG-4 AAC LTP：长时期预测规格（Long Term Predicition）
MPEG-4 AAC LD：低延迟规格（Low Delay）
MPEG-4 AAC HE：高效率规格（High Efficiency）—这种规格适合用于低码率编码，有Nero ACC 编码器支持最早是基于MPEG-2标准，称为：MPEG-2 AAC。后来MPEG-4标准在原来基础上增加了一些新技术，称为：MPEG-4 AAC。
流行的Nero AAC编码程序只支持LC，HE，HEv2这三种规格，编码后的AAC音频，规格显示都是LC。HE其实就是AAC（LC）+ SBR技术，HEv2就是AAC（LC）+ SBR + PS技术；
HE：HE-AAC v1（又称AACPlusV1，SBR)，用容器的方法实现了AAC（LC）+SBR技术。SBR其实代表的是Spectral Band Replication(频段复制)。简要叙述一下，音乐的主要频谱集中在低频段，高频段幅度很小，但很重要，决定了音质。如果对整个频段编码，若是为了保护高频就会造成低频段编码过细以致文件巨大；若是保存了低频的主要成分而失去高频成分就会丧失音质。SBR把频谱切割开来，低频单独编码保存主要成分，高频单独放大编码保存音质，“统筹兼顾”了，在减少文件大小的情况下还保存了音质，完美的化解这一矛盾。
HEv2：用容器的方法包含了HE-AAC v1和PS技术。PS指“parametric stereo”（参数立体声）。原来的立体声文件文件大小是一个声道的两倍。但是两个声道的声音存在某种相似性，根据香农信息熵编码定理，相关性应该被去掉才能减小文件大小。所以PS技术存储了一个声道的全部信息，然后，花很少的字节用参数描述另一个声道和它不同的地方。
三、aac封装格式
AAC有两种封装格式：ADIF和ADTS
- ADIF：全称 Audio Data Interchange Format，音频数据交换格式，该格式一般应用在将音频通过写文件方式存储在磁盘里的场景，不能进行随机访问，不允许在文件中间开始进行解码；只有拿到整个文件时才能开始进行渲染播放；
- ADTS：全称 Audio Data Transport Stream，音频数据传输流，该格式的特征是用同步字节进行将 AAC 音频截断，然后可以允许客户端在任何地方进行解码播放，适合网络传输场景；简单来说，ADTS可以在任意帧进行解码，每一个帧都有头信息，但ADIF却只有一个统一的头，所以必须得到所有的数据后才能解码。一个帧就能单独解码。
两种Header的形式也不同，目前一般编码后和抽取出的基本都是ADTS格式音频流。
✨3.1 ADIF 格式
这个格式比较少见，简单认识一下即可，下图是ADIF格式的序列，由adif_header、byte_alignment、raw_data_stream三部分组成。byte_alignment是用来做字节对齐的，也就是说，ADIF格式由一个ADIF头信息(adif_header) 和 原始数据流(raw_data_stream) 构成。
下面看看ADIF头信息包括哪些内容，如下图：
✨3.2 ADTS 格式
ADTS 格式的AAC音频流是由一个个的ADTS帧组成的，下图是ADTS序列的语法，整个序列由若干个adts_frame组成。
每个ADTS帧都是由ADTS头部和AAC音频数据组成，下图是adts_frame的语法，adts_fixed_header(固定头部信息)和adts_variable_header(可变头部信息)都属于ADTS头部数据，raw_data_block表示AAC音频原始数据块。
下图是网络上对AAC音频流总结的一张图片，可以帮助我们宏观地认识AAC音频流的ADTS格式。
✨3.2.1 ADTS头部
ADTS头部有两部分，分为固定头部(adts_fixed_header)、可变头(adts_variable_header)：
✨3.2.1.1 固定头部(adts_fixed_header)
ADTS固定头部是 解码器识别音频格式和参数的关键部分，它告诉解码器：
- 这是一个合法的ADTS帧（通过syncword）
- 音频是MPEG-4还是MPEG-2
- 使用哪种AAC Profile
- 采样率和声道数是多少
- 是否有CRC校验等附加信息
字段解析：
- syncword：占用12bit；
所有的bit位都是1。总是0xFFF,代表一个ADTS帧的开始，作为分界符，用于同步每帧起始位置。 - ID：占用 1 bit；
表示MPEG版本，0代表MPEG-4, 1代表MPEG-2，一般用 0，因为都是属于 MPEG 的规范.。 - layer：占用 2 bit；
固定为00，保留字段 - protection_absent：占用 1 bit；（用于判断是否禁用CRC校验）
设置 1 表示没有CRC，整个ADST头为7字节；0 表示有CRC，整个ADST头为9字节。关于CRC是什么及它的作用：CRC（Cyclic Redundancy Check，循环冗余校验）是一种错误检测机制，用于在数据传输或存储过程中检测比特级错误（比如信号干扰导致的位翻转）。在ADTS中，CRC字段是可选的，由protection_absent位控制：protection_absent = 0 → 存在CRC字段（16位校验码，紧跟在固定头部之后）。protection_absent = 1 → 无CRC校验，节省2字节开销。音频流（如网络传输、无线广播）可能因噪声或干扰导致数据损坏，CRC能发现错误帧并触发重传或丢弃，避免播放杂音，它就是一个音频帧的“封条”，确保数据完整性。 - profile_ObjectType：占用 2 bit，表示使用的AAC规格(profile)；
该字段的解释取决于ID位的值。如果ID等于1，则该字段包含与ISO/IEC 13818-7中定义的ADTS流中的配置文件字段相同的信息，也就是MPEG-2的规格；当ID为0是表示的是MPEG-4的规格，该字段的值等于 Audio Object Type 的值减1。字段取值如下面图片的表格
sampling_frequency_index：占用 4 bit；
表示采样率下标索引，字段取值及解释如下图： 例如0对应96000HZ
- private_bit：占用 1 bit，作为私有位，用户自定义，编码时设置为0，解码时忽略；
详细解释参见 ISO/IEC 11172-3, subclause 2.4.2.3 (Table 8) - channel_configuration：占用 3 bit；
通道配置即声道数，一般 2 表示立体声双声道。更多的值参考下图：
original_copy：占用 1 bit，原始/复制标志，0表示当前帧是拷贝是非首次发行而经过复制再编码的版本，1表示是原始是第一次发行的原始母带/母盘home：占用 1 bit，该位纯粹保留给广播或版权系统使用，实际编码器/播放器都会填 0，表示“无特殊家用标志”，1表示家用，编码时设置为0，解码时忽略，对解码、播放、版权均无影响，可忽略
✨3.2.1.2 可变头部(adts_variable_header)
ADTS 可变头部提供了 帧级别的动态信息，结合固定头部，解码器就能完整解析每一帧的格式和内容，它的关键作用包括：
- 定位帧边界（通过
aac_frame_length）。 - 控制解码器缓冲（通过
adts_buffer_fullness）。 - 支持版权标记（通过
copyright_identification_*位）。 - 支持多 AAC 数据块打包（通过
number_of_raw_data_blocks_in_frame）。
字段解析：
- copyright_identification_bit：占用 1 bit，版权标识位，与下一字段配合使用，（0表示不包含版权标识，1标识包含）编码时设置为0，解码时忽略；
- copyright_identification_start：占用 1 bit，版权标识开始标志，编码时设置为0，解码时忽略；
- frame_length：占用 13 bit，当前 ADTS 帧的长度，包括 ADTS 头(固定+可变)和 AAC 原始流，单位byte；
- adts_buffer_fullness：占用 11 bit，解码器缓冲区占用程度，用于码率控制，0x7FF 表示码率可变的码流，0x000 表示固定码率的码流；
实际的AAC文件中，这个字段会出现不等于0x7FF、0x000的情况，下面是GPT的回复：adts_buffer_fullness字段表示AAC解码器中的缓冲区当前的填充量。这个字段的值代表了解码器输入缓冲区中未使用的字节数，可以用来衡量解码器缓冲区的剩余空间。理想状态下，这个值应该保持在一个合适的范围内，以确保解码器能够持续地接收和处理音频数据，而不会发生溢出或欠流的情况。
- number_of_raw_data_blocks_in_frame：占用 2 bit；
该字段表示当前ADST帧中所包含的AAC帧的个数减一。为了最大的兼容性通常每个ADTS frame 包含一个AAC frame，所以该值一般为0。一个AAC原始帧包含一段时间内1024个采样及相关数据
四、 AAC格式音频文件解析 (编译器+代码实践)
现在较常使用的AAC文件格式是使用ADTS帧来保存的，所以后面就以ADTS格式的AAC文件的解析过程进行展开，通过实践巩固加强对ADTS帧结构的认识。
✨4.1 aac文件解析(编译器+ffmpeg命令)
✨4.1.1 编译器查看ADTS头各字段
我使用的是一个在线网页的Hex16进制编辑器来查看aac文件的 HexEd.it — 基于浏览器的十六进制编辑器 如下图 我们可以对他们进行转为二进制然后按位来看
没有CRC的情况下，文件开头的7个字节是ADTS帧头部，这里7个字节的数据是：
FF F1 50 80 03 9F FC我们将这7个字节转为二进制来看
| 字节 | 二进制（共56位） |
|---|---|
| FF | 11111111 |
| F1 | 11110001 |
| 50 | 01010000 |
| 80 | 10000000 |
| 03 | 00000011 |
| 9F | 10011111 |
| FC | 11111100 |
然后按 ADTS 结构解析：
前7字节的二进制是这样的：11111111 11110001 01010000 10000000 00000011 10011111 11111100 然后下面就按每个字段的位宽进行查看 转为十进制然后比对
| 字段名 | 位(bit) | 值（二进制） | 十进制 | 含义 |
|---|---|---|---|---|
| syncword | 12 | 111111111111 | 0xFFF | 同步字正确 |
| ID | 1 | 0 | 0 | MPEG-4 |
| layer | 2 | 00 | 0 | 保留，必须为0 |
| protection_absent | 1 | 1 | 1 | ✅ 无 CRC 校验 |
| profile_ObjectType | 2 | 01 | 1 | ✅ AAC LC（Low Complexity） |
| sampling_frequency_index | 4 | 0100 | 4 | ✅ 采样率 = 44100Hz（查表） |
| private_bit | 1 | 0 | 0 | ✅ 未使用 |
| channel_configuration | 3 | 010 | 2 | 立体声（2 声道） |
| original_copy | 1 | 0 | 0 | 当前帧是 拷贝 |
| home | 1 | 0 | 0 | 未使用 |
| copyright_identification_bit | 1 | 0 | 0 | 无版权标识 |
| copyright_identification_start | 1 | 0 | 0 | 非版权序列起始 |
| aac_frame_length | 13 | 0000000011100 | 28(字节) | 帧总长度 |
| adts_buffer_fullness | 11 | 11111111111 | 0x7FF=2047 | 0x7FF码率可变的码流 |
| number_of_raw_data_blocks_in_frame | 2 | 00 | 0 | 每帧含 1aac数据块 |
这样看可能更直观点：
这个是固定头部的各字段：
bit 0-11 : syncword 111111111111
bit 12 : ID 0
bit 13-14 : layer 00
bit 15 : protection_absent 1
bit 16-17 : profile 01
bit 18-21 : sf_index 0100 → 44.1 kHz
bit 22 : private_bit 0
bit 23-25 : channel_config 010 → 2 声道
bit 26 : original_copy 0
bit 27 : home 0这个是可变头部的各字段：
bit 28 : copyright_id_bit 0
bit 29 : copyright_start 0
bit 30-42 : aac_frame_length 0000000011100 → 28字节帧长度(头+后面数据)
bit 43-53 : adts_buffer_fullness 11111111111 → 0x7FF码率可变的码流
bit 54-55 : raw_blocks 00 → 每帧含 1aac数据块可以得到以下结论：
这是一帧 ADTS-AAC LC 数据，格式为 MPEG-4、44.1 kHz、立体声、无 CRC；
帧总长度 28 字节，采用 VBR 码率，且 每帧仅含 1 个 AAC 原始数据块。
✨4.1.2 FFmpeg检查分析是否正确
可以通过FFmpeg检查ADTS帧结构是否和分析的一样
ffmpeg -v error -i input.aac -c copy -f adts NUL这个命令可以看看“这个文件是不是标准的 ADTS”，若文件有错误，FFmpeg 会在 stderr 直接报 “ADTS syncword missing” 或 “CRC mismatch”。无任何报错即说明头信息与你分析的一致，文件可被正常识别。结果证明是标准的ADTS结构。
ffprobe -v error -show_entries stream=sample_rate,profile,channels,channel_layout -select_streams a:0 input.aac| 命令片段 | 作用 |
|---|---|
ffprobe | FFmpeg 套件里的“媒体信息探测器”，只读文件、不解码输出。 |
-v error | 把日志级别设为 error，只打印真正的错误，忽略 info/debug 信息，输出更干净。 |
-show_entries stream=sample_rate,profile,channels,channel_layout | 告诉 ffprobe：只把 stream（流）级别 里的 sample_rate、profile、channels、channel_layout 四个字段打印出来，别的都不显示。 |
-select_streams a:0 | 在所有流里只选 第 0 条音频流（a:0 = 第 1 条音频流）。 |
input.aac | 要探测的文件。 |
通过ffprobe进行输出结构化信息，可以看到和我们解析的是一样的，aac规格为LC的（对应profile_ObjectType字段），采样率为44100（对应profile_ObjectType字段），channels=2和stereo立体声2声道（对应channel_configuration字段）
✨4.2 C语言代码解析AAC文件
/**
* 最简单的视音频数据处理示例
* Simplest MediaData Test
*
* 雷霄骅 Lei Xiaohua
* leixiaohua1020@126.com
* 中国传媒大学/数字电视技术
* Communication University of China / Digital TV Technology
* http://blog.csdn.net/leixiaohua1020
*
* 本项目包含如下几种视音频测试示例：
* (1)像素数据处理程序。包含RGB和YUV像素格式处理的函数。
* (2)音频采样数据处理程序。包含PCM音频采样格式处理的函数。
* (3)H.264码流分析程序。可以分离并解析NALU。
* (4)AAC码流分析程序。可以分离并解析ADTS帧。
* (5)FLV封装格式分析程序。可以将FLV中的MP3音频码流分离出来。
* (6)UDP-RTP协议分析程序。可以将分析UDP/RTP/MPEG-TS数据包。
*
* This project contains following samples to handling multimedia data:
* (1) Video pixel data handling program. It contains several examples to handle RGB and YUV data.
* (2) Audio sample data handling program. It contains several examples to handle PCM data.
* (3) H.264 stream analysis program. It can parse H.264 bitstream and analysis NALU of stream.
* (4) AAC stream analysis program. It can parse AAC bitstream and analysis ADTS frame of stream.
* (5) FLV format analysis program. It can analysis FLV file and extract MP3 audio stream.
* (6) UDP-RTP protocol analysis program. It can analysis UDP/RTP/MPEG-TS Packet.
*
*/
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
int getADTSframe(unsigned char* buffer, int buf_size, unsigned char* data ,int* data_size){
int size = 0;
if(!buffer || !data || !data_size ){
return -1;
}
while(1){
if(buf_size < 7 ){
return -1;
}
//Sync words
if((buffer[0] == 0xff) && ((buffer[1] & 0xf0) == 0xf0) ){
size |= ((buffer[3] & 0x03) <<11); //high 2 bit
size |= buffer[4]<<3; //middle 8 bit
size |= ((buffer[5] & 0xe0)>>5); //low 3bit
break;
}
--buf_size;
++buffer;
}
if(buf_size < size){
return 1;
}
memcpy(data, buffer, size);
*data_size = size;
return 0;
}
int simplest_aac_parser(char *url)
{
int data_size = 0;
int size = 0;
int cnt=0;
int offset=0;
//FILE *myout=fopen("output_log.txt","wb+");
FILE *myout=stdout;
unsigned char *aacframe=(unsigned char *)malloc(1024*5);
unsigned char *aacbuffer=(unsigned char *)malloc(1024*1024);
FILE *ifile = fopen(url, "rb");
if(!ifile){
printf("Open file error\n");
return -1;
}
printf("-----+- ADTS Frame Table -+------+\n");
printf(" NUM | Profile | Frequency| Size |\n");
printf("-----+---------+----------+------+\n");
while(!feof(ifile)){
data_size = fread(aacbuffer+offset, 1, 1024*1024-offset, ifile);
unsigned char* input_data = aacbuffer;
while(1)
{
int ret=getADTSframe(input_data, data_size, aacframe, &size);
if(ret==-1){
break;
}else if(ret==1){
memcpy(aacbuffer,input_data,data_size);
offset=data_size;
break;
}
char profile_str[10]={0};
char frequence_str[10]={0};
unsigned char profile=aacframe[2]&0xC0;
profile=profile>>6;
switch(profile){
case 0: sprintf(profile_str,"Main");break;
case 1: sprintf(profile_str,"LC");break;
case 2: sprintf(profile_str,"SSR");break;
default:sprintf(profile_str,"unknown");break;
}
unsigned char sampling_frequency_index=aacframe[2]&0x3C;
sampling_frequency_index=sampling_frequency_index>>2;
switch(sampling_frequency_index){
case 0: sprintf(frequence_str,"96000Hz");break;
case 1: sprintf(frequence_str,"88200Hz");break;
case 2: sprintf(frequence_str,"64000Hz");break;
case 3: sprintf(frequence_str,"48000Hz");break;
case 4: sprintf(frequence_str,"44100Hz");break;
case 5: sprintf(frequence_str,"32000Hz");break;
case 6: sprintf(frequence_str,"24000Hz");break;
case 7: sprintf(frequence_str,"22050Hz");break;
case 8: sprintf(frequence_str,"16000Hz");break;
case 9: sprintf(frequence_str,"12000Hz");break;
case 10: sprintf(frequence_str,"11025Hz");break;
case 11: sprintf(frequence_str,"8000Hz");break;
default:sprintf(frequence_str,"unknown");break;
}
fprintf(myout,"%5d| %8s| %8s| %5d|\n",cnt,profile_str ,frequence_str,size);
data_size -= size;
input_data += size;
cnt++;
}
}
fclose(ifile);
free(aacbuffer);
free(aacframe);
return 0;
}
int main()
{
simplest_aac_parser((char*)"./audio_chn0.aac");
return 0;
}
这块代码是雷霄骅大佬的AAC音频码流解析里面的，保存后进行gcc simplest_mediadata_aac.cpp编译，运行结果：
五、个人思考
通过Hex16进制编译器查看aac文件，然后转为2进制根据每个字段的位宽进行分析字段的值和属性，这个方法可以更好的去认识ATDS的固定头部和可变头部，同时也可以借助ffmpeg和前人的一些代码进行输出结构最后验证。
参考链接：
视音频数据处理入门：AAC音频码流解析_声码流-CSDN博客
【网络通信 — 直播】音频流编码 — AAC 基础_直播流音频编码格式-CSDN博客
