MPEG-1
Prace nad MPEG1 zostały ukończone. Pierwsze trzy części zostały opracowane przed rokiem 1992. Standard MPEG1 składa się z pięciu części:
IS-11172-1 ("System") opisuje synchronizację i przełączanie sygnałów video i audio.
IS-11172-2 ("Video") opisuje kompresję sygnałów video (używaną głównie w Video-CD )
IS-11172-3 ("Audio") opisuje rodzinę kodowania dźwięku oraz jej trzech członków (nazywanych "Layer-1", "Layer-2" i "Layer-3").
IS-11172-4 ("Compliance Testing") opisuje czynności potrzebne do określenia charakterystyk kodowania i dekodowania oraz dla testowania kompatybilności z innymi częściami standardu.
DTR-11172-5 ("Symulacja Programowa") jest to techniczny raport na temat programowego wykonania pierwszych trzech części.

MPEG-2
MPEG2 obecnie składa się z dziewięciu części. Pierwsze trzy zostały opracowane przed rokiem 1994 wraz z kilkoma późniejszymi poprawkami.
IS-13818-1 ("System") opisuje synchronizację i przełączanie sygnałów dźwiękowych i wizyjnych, jest również opisany przez ITU-T jako H.222.
IS-13818-2 ("Video") opisuje sposób kodowania sygnału wideo, udostępnia odświeżanie z przeplotem, opisany również przez ITU-T as H.262.
IS-13818-3 ("Audio") opisuje zgodne z MPEG1 rozszerzenie dla kodowania wielu kanałów ("Dźwięk surround", "dźwięk wielojęzyczny) oraz rozszerzenie dla mniejszych częstotliwości próbkowania potrzebne do współpracy z aplikacjami o ograniczonym paśmie.
IS-13818-4 ("Testy przystosowawcze") opisuje czynności służące do określenia charakterystyki kodowania i dekodowania oraz do testowania zgodności z innymi częściami standardu.
DTR-13818-5 ("Symulacja programowa") jest to techniczny opis programowego wykonania pierwszych trzech części standardu MPEG2.
IS-13818-6 ("Rozszerzenia Systemu - Komendy i kontrola cyfrowego przechowywania mediów" (System Extensions - Digital Storage Media Command and Control (DSM-CC))" - opisuje protokół dla aplikacji klijent-server.
CD-13818-7 ("Dźwięk, niezgodny z poprzednim standardem ) opisuje poprawiony schemat kodowania dźwięku mono i stereo tak dobrze jak dla dźwięku wielokanałowego.
13818-8 ("Obraz, rozszerzenie do 10-cio bitowych próbek na wejściu") został zaniechany z powody braku zainteresowania.
IS-13818-9 ("Specyfikacja interfejsu do przetwarzania aplikacji wysokiej jakości w czasie rzeczywistym") definiuje zależności czasowe dla transmisji MPEG2 w czasie rzeczywistym.
WD-13818-10 ("Dostosowanie rozszerzeń ) opisuje dodatek do IS 13818-4 dla DSM-CC

Historia
Najbardziej zaawansowany, złożony i jak dotąd najlepszy standard - "Layer3" został opracowany w niemieckim instytucie Fraunhofer, a konkretnie w departamencie "Audio i Multimedia", gdzie około 30 inżynierów pracuje nad rozwojem oraz implementacja "w czasie rzeczywistym" algorytmów przetwarzania sygnałów dla potrzeb komunikacji audiowizualnej. Prace rozpoczęto w roku 1987, przy ścisłej współpracy z uniwersytetem Erlangen, w celu opracowania zaawansowanego algorytmu kodowania sygnałów audio dla przyszłych stacji nadawczych ( np. Eureka 147, DAB radio ). W roku 1991 prace nad algorytmem kodowania "Layer3" zostały ukończone i stal się on najbardziej optymalnym sposobem kodowania sygnałów audio w rodzinie określanej przez międzynarodowe normy ISO-MPEG. Używając tego algorytmu ( znanego powszechnie w internecie jako MP3, ze względu na rozszerzenie ) do kodowania plików audio, jakość "prawie CD" tj. stereo, 44KHz, 16 bitów, można uzyskać przy 112 - 128kbps ( stopień kompresji 11:1 - 13:1 ).

Proces Kodowania
Wszystkie standardy mpeg audio używają tego samego schematu kodowania. Może być on określony jako "maskowanie szumów". Encoder analizuje widmo sygnału i następnie dostosowuje go do modelu psuchoakustycznego poprzez oszacowanie dopuszczalnego, niesłyszalnego poziomu szumów. Encoder standardu Layer2 dzieli widmo sygnału ( od 20Hz do 20KHz ) na 32 podzakresy. W każdym podzakresie zawarta jest część analizowanego dźwięku. Na przykład, w podzakresie 8 obecny jest ton o częstotliwości 6500 Hz i poziomie 60dB.Obliczany jest wówczas efekt maskujący tego dźwięku - okazuje się że w obrębie tego podzakresu maskowane są dźwięki o poziomie niższym od 35 dB. Dopuszczalny s/n wynosi zatem 60 - 35 = 25dB. To odpowiada rozdzielczości 4 bitów. Dodatkowo maskowanie występuje również w podzakresach 9 -13 oraz 5 -7.Maleje ono wraz z odległością od zakresu 8. W rzeczywistości dźwięki występują we wszystkich podzakresach i efekt maskowania sumuje się. Dodatkowo encoder wykorzystuje zmienną czułość ucha ludzkiego dla różnych częstotliwości. Ucho jest mniej czułe na wysokie i niskie dźwięki, szczyt czułości leży w okolicach 2 - 4 kHz. W standarcie MPEG Layer2 każdy podzakres posiada szerokość 750Hz. ( dla częstotliwości próbkowania 48kHz ), ale lepiej jest gdy podzakresów jest więcej, oraz są one węższe dla niskich częstotliwości i szersze dla wysokich. Layer3 ( MP3) posiada 18 razy większą rozdzielczość i dodatkowo wykorzystuje efekt maskowania przed i po wystąpieniu silnego dźwięku. Wytłumaczyć go można ograniczonymi możliwościami mózgu ( szybkość transportu bodźca nerwowego ).Przed-maskowanie występuje w bardzo krótkim czasie od 2 d 5 ms, natomiast czas maskowania po sygnale to ponad 100ms.Inną własnością, tym razem sygnału stereo, wykorzystywaną podczas kompresji to występowanie korelacji pomiędzy kanałami. Używany jest wówczas tryb "joint-stereo", co więcej Layer3 redukuje ten nadmiar poprzez użycie kodowania Huffmana. Encoder kompresuje dany wycinek sygnału metodą iteracyjną tak długo aż osiągnie pożądaną dokładność. W standardach Layer2 i Layer3 prowadzi on obliczenia na odcinkach trwających 24 ms.( zwierających 1152 próbek i fs = 48 kHz ). Dla niektórych dźwięków może to stanowić problem, np. Dla sygnału w którym różnica pomiędzy dźwiękiem bardzo silnym I słabym wynosi ponad 24 ms.( np. wystrzał ). Efekt maskowania obliczany jest dla najsilniejszego dźwięku po którym można usłyszeć szum kwantyzacji ( jest to odbierane przez ucho jako " szumowe echo" ). Layer 3 radzi sobie z tym poprzez analizę mniejszego okna ( 4 ms ), gdy encoder wykryje powyższą sytuację.

Wszystkie standardy MPEG audio wykorzystują właściwości ucha ludzkiego. Bazują one na usuwaniu słabszych dżwięków które nie docierają do mózgu człowieka. Na rysunku pokazany jest efekt maskowania, czarną linią zaznaczono próg słyszalności.	W standardzie "MP3" wykorzystywany jest również inny efekt. Ponieważ mózg człowieka posiada ograniczony czas reakcji, słabsze dżwięki są niesłyszalne na krótko przed oraz po wystąpieniu silnego sygnału.
	Proces enkodowania jest bardzo złożony obliczeniowo i wymaga szybkiego procesora. Na początku sygnał jest filtrowany i jego widmo jest dzielone na małe podzakresy. Następnie enkoder porównując zawartość poszczególnych podzakresów, musi usunąc tę część widma która nie dociera do mózgu człowieka. Dwa "zielone" sygnały po prawej stronie znajdują się poniżej niebieskiej lini "progu słyszalności" więc enkoder może usunąć sygnał znajdujący się w 3-cim podzakresie. Sygnał z lewej strony nie jest całkowicie zamaskowany, ale można podnieść dopuszczalny poziom szumu ponieważ będzie on niesłyszalny (zapisać mniejszą ilością bitów).

Testy Odsłuchowe
Podczas ustalania standardu ISO-MPEG-1 przeprowadzone zostały międzynarodowe testy odsłuchowe ( w Szwedzkim Radiu ). Miały one miejsce w 07-90 , 03-91 i 11-91. Kolejne zostały przeprowadzone przez CCIR ( obecnie ITU-R ) w 92 roku. Sekwencja odsłuchowa wyglądała następująco: "ABC", gdzie A = oryginał, BC = para oryginał/kodowany w losowym porządku. Słuchacz oceniał sygnały B i C w skali od 1 do 5 według poniższych zasad:

5.0 = przeźroczysty ( sygnał oryginalny )
4.0 = zauważalna różnica ( lecz nie dokuczliwa )
3.0 = trochę dokuczliwa
2.0 = dokuczliwa
1.0 = bardzo dokuczliwa

Dla niskich prędkości ( 60 lub 64 kbps na kanał, kompresja 1:12 ) Layer2 osiągnął 2.1 - 2.6, natomiast Layer3 - 3.6 - 3.8.Dla średnich i wysokich prędkości ( 120 I więcej kbps na kanał ) wytrenowani słuchacze mieli trudności z rozróżnieniem dekodowanego sygnału. W 92 roku podczas testów ( dźwięk monofoniczny ) Layer3 uzyskał 3.6 a Layer2 2.05. Dla sygnałów mowy w języku niemieckim ( głos kobiecy ) Layer3 - 4.4, natomiast Layer2 tylko 2.4.

Źródła
FAQ's by Harald Popp (Fraunhofer-IIS)
http://drogo.cselt.stet.it/mpeg/ 
http://www.tnt.uni-hannover.de/project/mpeg/audio/