WAV 音频格式学习

WAV 是最常见的声音文件格式之一，是微软公司专门为 Windows 开发的一种标准数字音频文件，该文件能记录各种单声道或立体声的声音信息，并能保证声音不失真。但 WAV 文件有一个致命的缺点，就是它所占用的磁盘空间太大。它符合资源互换文件格式（RIFF）规范，用于保存 Windows 平台的音频信息资源，被 Windows 平台及其应用程序所广泛支持。Wave 格式支持 MSADPCM、CCITT A 律、CCITT μ 律和其他压缩算法，支持多种音频位数、采样频率和声道，是 PC 机上最为流行的声音文件格式；但其文件尺寸较大，多用于存储简短的声音片段。

一、RIFF 规范

资源交换档案标准（Resource Interchange File Format） （RIFF） 是一种把资料储存在被标记的区块（tagged chunks）中的档案格式（meta-format）。 它是在 1991 年时，由 Microsoft 和 IBM 提出。它是 Electronic Arts 1985 提出的 Interchange File Format 的翻版。这两种标准的唯一不同处是在多位元整数的储存方式。 RIFF 使用的是小端序，这是 IBM PC 使用的处理器 80x86 所使用的格式，而 IFF 储存整数的方式是使用大端序，这是 Amiga 和 Apple Macintosh 电脑使用的处理器可处理的整数型态。

RIFF 文件所包含的数据类型由该文件的扩展名来标识，能以 RIFF 格式存储的数据有：

• 音频视频交错格式数据 .AVI

• 波形格式数据 .WAV

• 位图数据格式 .RDI

• MIDI格式数据 .RMI

• 调色板格式 .PAL

• 多媒体电影 .RMN

• 动画光标 .ANI

• 其他的RIFF文件 .BND

RIFF 文件由不同数量的 chunk 组成，下面来学习其定义。

1.1 chunk

chunk（区块）是 RIFF 文件的基本单元，RIFF 文件由不同数量的 chunk 组成，每个 chunk 由“标识符”、“数据大小”和“数据”三个部分组成，“标识符”和“数据大小”都是占用 4 个字节空间，chunk 的基本结构如下所示：

struct chunk
{
    u32  ID; //标识符
    u32  Size; //数据大小
    u8   Data[Size]; //数据
};

ID：标识符由 4 个 ASCII 字符组成，用以识别块中所包含的数据。如：‘RIFF’，‘LIST’，'fmt '（最后一个字符为空格），‘data’，'WAV '，'AVI’等，这种文件结构最初是由 Microsoft 和 IBM 为 PC 机所定义，所以 RIFF 文件是按照小端字节顺序写入的。

Size：块数据大小，存储在 Data 域中的数据长度，不包含 ID 和 Size 的大小。

Data：块数据，数据以字为单位存放，如果数据长度为奇数（字节为单位），则最后添加一个空字节。

chunk 是可以嵌套的，但是只有块标识符为’RIFF’或者’LIST’的 chunk 才能包含其他的 chunk。

1.2 FourCC

FourCC（Four Character Codes）是一个 4 字节 32 位的标识符，通常用来标识文件的数据格式。例如，在音视频播放器中，可以通过文件的 FourCC 来决定调用哪种 CODEC 进行音视频的解码。例如：DIV3、DIV4、DIVX 和 H264 等，对于音频则有：WAV、MP3 等。FourCC 是 4 个 ASCII 字符，不足四个字符的则在最后补充空格（不是空字符）。比如，FourCC fmt，实际上是’f’ ‘m’ ‘t’ ’ '。

1.3 RIFF chunk 和 LIST chunk

块标识符 ID 为’RIFF’的 chunk 是比较特殊的，每一个 RIFF 文件首先存放的必须是一个 RIFF chunk，并且只能有一个标识符为’RIFF’的 chunk。RIFF chunk 的数据域的起始位置是一个 4 字节的 FormType（FourCC 格式），用于标识 RIFF chunk 数据域中所包含的 chunk 的数据类型。紧接着 FormType 之后的数据域的内容则是 RIFF chunk 所包含的 subchunk。一个简单的 RIFF chunk 的示意图如下所示：

上图中的 RIFF chunk 包含有两个 subchunk，可以看出 RIFF chunk 的数据域首先是 4 字节的 FormType，接着是两个 subchunk，每一个 subchunk 又包含有自己的标识符、数据域的大小以及数据域。

除了 RIFF chunk 可以嵌套其他的 chunk 外，另一个可以包含 subchunk 的就是 LIST chunk，其示意图如下所示：

上图中，首先 RIFF 文件必须的 RIFF chunk，其数据域又包含有两个 subchunk，其中一个 subchunk 的类型为’LIST’，该 LIST chunk 又包含了两个 subchunk。

RIFF chunk 和 LIST chunk 的基本结构如下所示：

struct chunk
{
    u32 ID; //标识符: 'RIFF'或者'LIST'
    u32 Size; //数据大小
    struct ChunkData { //数据
        u32 Type; //包含的 subchunk 的数据类型, 与上面图中的 FormType 和 ListType 对应
        u8  Data[Size-4]; //包含的 subchunk
    };
};

备注：一个 RIFF 文件的总大小为：RIFF chunk 的 Size + 8，这里的 8 是 ID 和 Size 所占用的空间。

二、WAV 格式

WAV 文件是在 PC 机平台上很常见的、最经典的多媒体音频文件，最早于 1991 年 8 月出现在 Windows3.1 操作系统上，文件扩展名为 WAV，是 WaveForm 的简写，也称为波形文件，可直接存储声音波形，还原的波形曲线十分逼真。WAV 文件格式简称 WAV 格式是一种存储声音波形的数字音频格式，是由微软公司和 IBM 联合设计的，经过了多次修订，可用于 Windows、Macintosh、Linux 等多种操作系统。WAV 支持多种音频数字、取样频率和声道，标准格式化的 WAV 文件和 CD 格式一样，也是 44.1kHz 的取样频率，16 位量化数字，因此声音文件质量和 CD 相差无几。

WAV 的特点如下：真实记录自然声波形，基本无数据压缩，数据量大。一般来说，由 WAV 文件还原而成的声音的音质取决于声音卡采样样本的尺寸，采样频率越高，音质就越好，但开销就越大，WAV 文件也就越大。

最基本的 WAVE 文件是 PCM（脉冲编码调制）格式的，这种文件直接存储采样的声音数据没有经过任何的压缩，是声卡直接支持的数据格式，要让声卡正确播放其它被压缩的声音数据，就应该先把压缩的数据解压缩成 PCM 格式，然后再让声卡来播放。

声源发出的声波通过话筒被转换成连续变化的电信号，经过放大、抗混叠滤波后，按固定的频率进行采样，每个样本是在一个采样周期内检测到的电信号幅度值；接下来将其由模拟电信号量化为由二进制数表示的积分值；最后编码并存储为音频流数据。常见的声音文件主要有两种，分别对应于单声道（11.025 KHz 采样率、8 Bit 的采样值）和双声道（44.1 KHz 采样率、16 Bit 的采样值）。采样率是指：声音信号在“模→数”转换过程中单位时间内采样的次数。采样值是指每一次采样周期内声音模拟信号的积分值。

对于单声道声音文件，采样数据为 8 位的整数（char 0x00~0xFF）；而对于双声道立体声声音文件，每次采样数据为一个 16 位的整数（short），高八位和低八位分别代表左右两个声道。在单声道 WAVE 文件中，声道 0 代表左声道，声道 1 代表右声道。在多声道 WAVE 文件中，样本是交替出现的。

2.1 PCM

脉冲编码调制（Pulse Code Modulation，PCM）就是把一个时间连续，取值连续的模拟信号变换成时间离散，取值离散的数字信号后在信道中传输。脉冲编码调制就是对模拟信号先抽样，再对样值幅度量化，编码的过程。

抽样，就是对模拟信号进行周期性扫描，把时间上连续的信号变成时间上离散的信号，抽样必须遵循奈奎斯特抽样定理。该模拟信号经过抽样后还应当包含原信号中所有信息，也就是说能无失真的恢复原模拟信号。它的抽样速率的下限是由抽样定理确定的。

量化，就是把经过抽样得到的瞬时值将其幅度离散，即用一组规定的电平，把瞬时抽样值用最接近的电平值来表示,通常是用二进制表示。

量化误差：量化后的信号和抽样信号的差值。量化误差在接收端表现为噪声，称为量化噪声。 量化级数越多误差越小，相应的二进制码位数越多，要求传输速率越高，频带越宽。

为使量化噪声尽可能小而所需码位数又不太多，通常采用非均匀量化的方法进行量化。 非均匀量化根据幅度的不同区间来确定量化间隔，幅度小的区间量化间隔取得小，幅度大的区间量化间隔取得大。

一个模拟信号经过抽样量化后，得到已量化的脉冲幅度调制信号，它仅为有限个数值。

编码，就是用一组二进制码组来表示每一个有固定电平的量化值。然而，实际上量化是在编码过程中同时完成的，故编码过程也称为模/数变换，可记作 A/D。

2.2 WAV

WAVE 文件虽然可以压缩，但一般都使用不压缩的格式。下面是 WAV 格式详细说明。

endian	field name	Size	description
big	ChunkID	4	文件头标识，一般就是" RIFF" 四个字母
little	ChunkSize	4	整个数据文件的大小，不包括上面 ID 和 Size 本身
big	Format	4	一般就是 “WAVE” 四个字母
big	SubChunk1ID	4	格式说明块，本字段一般就是 "fmt "
little	SubChunk1Size	4	本数据块的大小，不包括 ID 和 Size 字段本身
little	AudioFormat	2	存储音频文件的编码格式，例如若为PCM则其存储值为1，若为其他非PCM格式的则有一定的压缩。
little	NumChannels	2	声道数,单通道（Mono）值为1，双通道（Stereo）值为2等等
little	SampleRate	4	采样率
little	ByteRate	4	比特率，每秒存储的bit数，其值=SampleRate * NumChannels * BitsPerSample/8
little	BlockAlign	2	数据块对齐单元，值=NumChannels * BitsPerSample/8
little	BitsPerSample	2	采样时模数转换的分辨率，每个采样点的bit数，一般为8、16和32等
big	SubChunk2ID	4	真正的声音数据块，本字段一般是 “data”
little	SubChunk2Size	4	本数据块的大小，不包括 ID 和 Size 字段本身，其值=NumSamples * NumChannels * BitsPerSample/8
little	Data	N	音频的采样数据

对于 Data 块，根据声道数和采样率的不同情况，布局如下：

PCM 数据类型	采样	采样
8 Bit 单声道	声道0	声道0
8 Bit 双声道	声道0	声道1
16 Bit 单声道	声道0低位，声道0高位	声道0低位，声道0高位
16 Bit 双声道	声道0低位，声道0高位	声道1低位，声道1高位

下面是一段给 PCM 加头变为 WAV 的 Kotlin 代码。

/**
 * 文件名 PCMHandler
 * 描  述 PCM 数据处理成 mkv、mp4 可直接打包的格式
 * 作  者 lhw
 * 时  间 2020/10/22 11:40
 */
class PCMHandler {
    companion object {
        public const val WAV_HEADER_SIZE = 44
        private val RIFF = "RIFF".toByteArray(Charsets.US_ASCII)
        private val WAVE = "WAVE".toByteArray(Charsets.US_ASCII)
        private val FMT = "fmt ".toByteArray(Charsets.US_ASCII)
        private val DATA = "data".toByteArray(Charsets.US_ASCII)

        private val WAV_HEADER = ByteArray(WAV_HEADER_SIZE)

    }

    fun makeFreeScaleWAVHeader(pcmDataLen: Int): ByteArray {
        return makeWAVHeader(pcmDataLen, 8000, 1, 16)
    }

    private fun makeWAVHeader(
        pcmDataLen: Int,
        sampleRate: Int,
        numChannels: Short,
        bitsPerSample: Short
    ): ByteArray {
        // ChunkID 内容为"RIFF"
        System.arraycopy(RIFF, 0, WAV_HEADER, 0, RIFF.size)
        // ChunkSize 存储文件的字节数（不包含ChunkID和ChunkSize这8个字节）
        fillSizeByPos(4, pcmDataLen + (WAV_HEADER_SIZE - 8))
        // Format 内容为"WAVE"
        System.arraycopy(WAVE, 0, WAV_HEADER, 8, WAVE.size)
        // Subchunk1ID 内容为"fmt "
        System.arraycopy(FMT, 0, WAV_HEADER, 12, FMT.size)
        // Subchunk1Size 存储该子块的字节数（不含前面的Subchunk1ID和Subchunk1Size这8个字节）
        fillSizeByPos(16, 16)
        // AudioFormat 存储音频文件的编码格式，例如若为PCM则其存储值为1，若为其他非PCM格式的则有一定的压缩。
        fillSizeByPos(20, 1.toShort())
        // NumChannels 通道数，单通道(Mono)值为1，双通道(Stereo)值为2，等等
        fillSizeByPos(22, numChannels)
        // SampleRate 采样率，如8k，44.1k等
        fillSizeByPos(24, sampleRate)
        // ByteRate 每秒存储的bit数，其值=SampleRate * NumChannels * BitsPerSample/8
        val byteRate = sampleRate * numChannels * bitsPerSample / 8
        fillSizeByPos(28, byteRate)
        // BlockAlign 块对齐大小，其值=NumChannels * BitsPerSample/8
        val blockAlign = numChannels * bitsPerSample / 8
        fillSizeByPos(32, blockAlign.toShort())
        // BitsPerSample 每个采样点的bit数，一般为8,16,32等。
        fillSizeByPos(34, bitsPerSample)
        // Subchunk2ID 内容为“data”
        System.arraycopy(DATA, 0, WAV_HEADER, 36, DATA.size)
        // Subchunk2Size 内容为接下来的正式的数据部分的字节数，其值=NumSamples * NumChannels * BitsPerSample/8
        fillSizeByPos(40, pcmDataLen)

        return WAV_HEADER
    }

    private fun fillSizeByPos(startPos: Int, size: Int, data: ByteArray = WAV_HEADER) {
        // 小端
        data[startPos] = (size and 0xff).toByte()
        data[startPos + 1] = (size shr 8 and 0xff).toByte()
        data[startPos + 2] = (size shr 16 and 0xff).toByte()
        data[startPos + 3] = (size shr 24 and 0xff).toByte()
    }

    private fun fillSizeByPos(startPos: Int, size: Short, data: ByteArray = WAV_HEADER) {
        // 小端
        data[startPos] = (size.toInt() and 0xff).toByte()
        data[startPos + 1] = (size.toInt() shr 8 and 0xff).toByte()
    }
}