wave文件(*.wav)格式、PCM數據格式

本文轉載自查看原文 2014-05-15 11:18 10922 音視頻、流媒體

1. 音頻簡介

經常見到這樣的描述: 44100HZ 16bit stereo 或者 22050HZ 8bit mono 等等.

44100HZ 16bit stereo: 每秒鍾有 44100 次采樣, 采樣數據用 16 位(2字節)記錄, 雙聲道(立體聲);

22050HZ 8bit mono: 每秒鍾有 22050 次采樣, 采樣數據用 8 位(1字節)記錄, 單聲道;

當然也可以有 16bit 的單聲道或 8bit 的立體聲, 等等。

采樣率是指：聲音信號在“模→數”轉換過程中單位時間內采樣的次數。采樣值是指每一次采樣周期內聲音模擬信號的積分值。

對於單聲道聲音文件，采樣數據為八位的短整數（short int 00H-FFH）；

而對於雙聲道立體聲聲音文件，每次采樣數據為一個16位的整數（int），高八位(左聲道)和低八位(右聲道)分別代表兩個聲道。

人對頻率的識別范圍是 20HZ - 20000HZ, 如果每秒鍾能對聲音做 20000 個采樣, 回放時就足可以滿足人耳的需求. 所以 22050 的采樣頻率是常用的, 44100已是CD音質, 超過48000的采樣對人耳已經沒有意義。這和電影的每秒 24 幀圖片的道理差不多。

每個采樣數據記錄的是振幅, 采樣精度取決於儲存空間的大小:

1 字節(也就是8bit) 只能記錄 256 個數, 也就是只能將振幅划分成 256 個等級;

2 字節(也就是16bit) 可以細到 65536 個數, 這已是 CD 標准了;

4 字節(也就是32bit) 能把振幅細分到 4294967296 個等級, 實在是沒必要了.

如果是雙聲道(stereo), 采樣就是雙份的, 文件也差不多要大一倍.

這樣我們就可以根據一個 wav 文件的大小、采樣頻率和采樣大小估算出一個 wav 文件的播放長度。

譬如 "Windows XP 啟動.wav" 的文件長度是 424,644 字節, 它是 "22050HZ / 16bit / 立體聲" 格式(這可以從其 "屬性->摘要" 里看到),

那么它的每秒的傳輸速率(位速, 也叫比特率、取樣率)是 22050*16*2 = 705600(bit/s), 換算成字節單位就是 705600/8 = 88200(字節/秒),
播放時間：424644(總字節數) / 88200(每秒字節數) ≈ 4.8145578(秒)。

但是這還不夠精確, 包裝標准的 PCM 格式的 WAVE 文件(*.wav)中至少帶有 42 個字節的頭信息, 在計算播放時間時應該將其去掉,
所以就有：(424644-42) / (22050*16*2/8) ≈ 4.8140816(秒). 這樣就比較精確了.

關於聲音文件還有一個概念: "位速", 也有叫做比特率、取樣率, 譬如上面文件的位速是 705.6kbps 或 705600bps, 其中的 b 是 bit, ps 是每秒的意思;

壓縮的音頻文件常常用位速來表示, 譬如達到 CD 音質的 MP3 是: 128kbps / 44100HZ.

2. wave文件格式

2.1 概述

WAVE文件是計算機領域最常用的數字化聲音文件格式之一，它是微軟專門為Windows系統定義的波形文件格式（Waveform Audio），由於其擴展名為"*.wav"。

WAVE是錄音時用的標准的WINDOWS文件格式，文件的擴展名為“WAV”，數據本身的格式為PCM或壓縮型。

WAV文件格式是一種由微軟和IBM聯合開發的用於音頻數字存儲的標准，它采用RIFF文件格式結構，非常接近於AIFF和IFF格式。符合 PIFF Resource Interchange File Format規范。所有的WAV都有一個文件頭，這個文件頭音頻流的編碼參數。

WAV對音頻流的編碼沒有硬性規定，除了PCM之外，還有幾乎所有支持ACM規范的編碼都可以為WAV的音頻流進行編碼。

多媒體應用中使用了多種數據，包括位圖、音頻數據、視頻數據以及外圍設備控制信息等。RIFF為存儲這些類型的數據提供了一種方法，RIFF文件所包含的數據類型由該文件的擴展名來標識，能以RIFF文件存儲的數據包括：

音頻視頻交錯格式數據(.AVI) 、波形格式數據(.WAV) 、位圖格式數據(.RDI) 、MIDI格式數據(.RMI) 、調色板格式(.PAL) 、多媒體電影(.RMN) 、動畫光標(.ANI) 、其它RIFF文件(.BND)。

wave文件有很多不同的壓縮格式，所以，正確而詳細地了解各種WAVE文件的內部結構是成功完成壓縮和解壓縮的基礎，也是生成特有音頻壓縮格式文件的前提。

最基本的WAVE文件是PCM（脈沖編碼調制）格式的，這種文件直接存儲采樣的聲音數據沒有經過任何的壓縮，是聲卡直接支持的數據格式，要讓聲卡正確播放其它被壓縮的聲音數據，就應該先把壓縮的數據解壓縮成PCM格式，然后再讓聲卡來播放。

2.2 Wave文件的內部結構

注：由於WAV格式源自Windows/Intel環境，因而采用Little-Endian字節順序進行存儲。

WAVE文件是以RIFF(Resource Interchange File Format, "資源交互文件格式")格式來組織內部結構的。

RIFF文件結構可以看作是樹狀結構，其基本構成是稱為"塊"（Chunk）的單元，最頂端是一個“RIFF”塊，下面的每個塊有“類型塊標識(可選)”、“標志符”、“數據大小”及“數據”等項所組成。塊的結構如表1所示：

名稱	Size	備注
塊標志符	4	４個小寫字符(如 "fmt ", "fact", "data" 等)
數據大小	4	DWORD類型,表示后接數據的大小(N Bytes)
數據	N	本塊中正式數據部分

表１：基本chunk的內部結構

上面說到的“類型塊標識”只在部分chunk中用到，如 "WAVE" chunk中，這時表示下面嵌套有別的chunk。

當使用了 "類型塊標識" 時，該chunk就沒有別的項（如塊標志符，數據大小等），它只作為文件讀取時的一個標識。先找到這個“類型塊標識”，再以它為起點讀取它下面嵌套的其它chunk。

每個文件最前端寫入的是RIFF塊，每個文件只有一個RIFF塊。從 Wave文件格式詳細說明中可以看到這一點。

非PCM格式的文件會至少多加入一個 "fact" 塊，它用來記錄數據(注意是數據而不是文件)解壓縮后的大小。這個 "fact" 塊一般加在 "data" 塊的前面。

WAVE文件是由若干個Chunk組成的。按照在文件中的出現位置包括：RIFF WAVE Chunk, Format Chunk, Fact Chunk(可選), Data Chunk。具體見下圖：

-------------------------------------------

| RIFF WAVE Chunk |

| ID = "RIFF" |

| RiffType = "WAVE" |

-------------------------------------------

| Format Chunk |

| ID = "fmt " |

-------------------------------------------

| Fact Chunk(optional) |

| ID = "fact" |

-------------------------------------------

| Data Chunk |

| ID = "data" |

-------------------------------------------

圖 Wav格式包含Chunk示例

Fact Chunk

=======================================

| |所占字節數| 具體內容 |

=======================================

| ID | 4Bytes | "fact" |

---------------------------------------

| Size | 4Bytes | 4 |

---------------------------------------

| data | 4Bytes |解壓后的音頻數據的大小(B)|

---------------------------------------

圖 Fact Chunk

2.3 Wave文件格式詳細說明

別名字節數類型注釋

ckid 4 char "RIFF" 標志, 大寫

cksize 4 int32 文件長度。這個長度不包括"RIFF"標志和

文件長度本身所占字節, 下面的

子塊大小也是這樣。

fcc type 4 char "WAVE" 類型塊標識, 大寫。

ckid 4 char 表示"fmt" chunk的開始。此塊中包括文

件內部格式信息。小寫, 最后一個

字符是空格。

cksize 4 int32 文件內部格式信息數據的大小。

FormatTag 2 int16 音頻數據的編碼方式。1 表示是 PCM 編碼

Channels 2 int16 聲道數，單聲道為1，雙聲道為2

SamplesPerSec 4 int32 采樣率(每秒樣本數), 比如 44100 等

BytesPerSec 4 int32 音頻數據傳送速率, 單位是字節。其值為

采樣率×每次采樣大小。播放軟件

利用此值可以估計緩沖區的大小。

BlockAlign 2 int16 每次采樣的大小 = 采樣精度*聲道數/8(單

位是字節); 這也是字節對齊的最

小單位, 譬如 16bit 立體聲在這

里的值是 4 字節。播放軟件需要

一次處理多個該值大小的字節數

據，以便將其值用於緩沖區的調整。

BitsPerSample 2 int16 每個聲道的采樣精度; 譬如 16bit 在這

里的值就是16。如果有多個聲道，則

每個聲道的采樣精度大小都一樣的。

[cbsize] 2 int16 [可選]附加數據的大小。

[...] x

[ckid] 4 char "fact".

[cksize] 4 int32 "fact" chunk data size.

[fact data] 4 int32 解壓后的音頻數據的大小(Bytes).

ckid 4 char 表示 "data" chunk的開始。此塊中包含

音頻數據。小寫。

cksize 4 int32 音頻數據的長度

...... 文件聲音信息數據(真正聲音存儲部分)

[......] 其它 chunk

2.4 Windows平台上WAVEFORMAT結構的認識

PCM和非PCM的主要區別是聲音數據的組織不同，這些區別可以通過兩者的WAVEFORMAT結構來區分。

下面以PCM和IMA-ADPCM來進行對比。

WAVE的基本結構 WAVEFORMATEX 結構定義如下：

 1 typedef struct
 2 {
 3     WORD  wFormatag; //編碼格式，包括WAVE_FORMAT_PCM，WAVEFORMAT_ADPCM等
 4     WORD  nChannls; //聲道數，單聲道為1，雙聲道為2;
 5  
 6     DWORD  nSamplesPerSec; //采樣頻率；
 7  
 8     DWORD  nAvgBytesperSec；  //每秒的數據量；
 9  
10     WORD  nBlockAlign; //塊對齊；
11  
12     WORD  wBitsPerSample; //WAVE文件的采樣大小；
13  
14     WORD  cbSize; // The count in bytes of the size of extra
15 // information(after cbSize). PCM中忽略此值
16  } WAVEFORMATEX;

IMAADPCMWAVEFORMAT結構定義如下：

1 Typedef struct
2 {
3     WAVEFORMATEX  wfmt;
4 
5     WORD  nSamplesPerBlock;
6    
7 } IMAADPCMWAVEFORMAT;

IMA-ADPCM中的的wfmt->cbsize不能忽略，一般取值為2，表示此類型的WAVEFORMAT比一般的WAVEFORMAT多出2個字節。這兩個字符也就是nSamplesPerBlock。

"fact" chunk的內部組織

在非PCM格式的文件中,一般會在WAVEFORMAT結構后面加入一個 "fact" chunk, 結構如下：

 
                typedef  
                struct 
                {  
               
                char 
                [4];  
                //“fact”字符串  
               
                DWORD  
                chunksize;  
               
                DWORD  
                datafactsize;  
                // 音頻數據轉換為PCM格式后的大小。  
               
                } factchunk;