[科普中国]-WAVE音频格式-

概述

WAVE文件是计算机领域最常用的数字化声音文件格式之一，它是微软专门为Windows系统定义的波形文件格式（Waveform Audio），由于其扩展名为"*.wav"。

WAVE是录音时用的标准的WINDOWS文件格式，文件的扩展名为“WAV”，数据本身的格式为PCM或压缩型。

WAV文件格式是一种由微软和IBM联合开发的用于音频数字存储的标准，它采用RIFF文件格式结构，非常接近于AIFF和IFF格式。符合 PIFF Resource Interchange File Format规范。所有的WAV都有一个文件头，这个文件头音频流的编码参数。

WAV对音频流的编码没有硬性规定，除了PCM之外，还有几乎所有支持ACM规范的编码都可以为WAV的音频流进行编码。

多媒体应用中使用了多种数据，包括位图、音频数据、视频数据以及外围设备控制信息等。RIFF为存储这些类型的数据提供了一种方法，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文件存储的数据包括：

音频视频交错格式数据(.AVI) 、波形格式数据(.WAV) 、位图格式数据(.RDI) 、MIDI格式数据(.RMI) 、调色板格式(.PAL) 、多媒体电影(.RMN) 、动画光标(.ANI) 、其它RIFF文件(.BND)。

wave文件有很多不同的压缩格式，所以，正确而详细地了解各种WAVE文件的内部结构是成功完成压缩和解压缩的基础，也是生成特有音频压缩格式文件的前提。

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1。

内部结构注：由于WAV格式源自Windows/Intel环境，因而采用Little-Endian字节顺序进行存储。

WAVE文件是以RIFF(Resource Interchange File Format, "资源交互文件格式")格式来组织内部结构的。

RIFF文件结构可以看作是树状结构，其基本构成是称为"块"（Chunk）的单元，最顶端是一个“RIFF”块，下面的每个块有“类型块标识(可选)”、“标志符”、“数据大小”及“数据”等项所组成。块的结构如下表所示：

|| ||

上面说到的“类型块标识”只在部分chunk中用到，如 "WAVE" chunk中，这时表示下面嵌套有别的chunk。

当使用了 "类型块标识" 时，该chunk就没有别的项（如块标志符，数据大小等），它只作为文件读取时的一个标识。先找到这个“类型块标识”，再以它为起点读取它下面嵌套的其它chunk。

每个文件最前端写入的是RIFF块，每个文件只有一个RIFF块。从 Wave文件格式详细说明中可以看到这一点。

非PCM格式的文件会至少多加入一个 "fact" 块，它用来记录数据(注意是数据而不是文件)解压缩后的大小。这个 "fact" 块一般加在 "data" 块的前面。

WAVE文件是由若干个Chunk组成的。按照在文件中的出现位置包括：RIFF WAVE Chunk, Format Chunk, Fact Chunk(可选), Data Chunk。具体见下图：

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

| RIFF WAVE Chunk |

| ID = "RIFF" |

| RiffType = "WAVE" |

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

| Format Chunk |

| ID = "fmt " |

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

| Fact Chunk(optional) |

| ID = "fact" |

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

| Data Chunk |

| ID = "data" |

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

图 Wav格式包含Chunk示例

Fact Chunk

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

| |所占字节数|具体内容 |

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

| ID | 4Bytes | "fact" |

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

| Size | 4Bytes | 4 |

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

| data | 4Bytes |解压后的音频数据的大小(B)|

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

文件格式别名字节数类型注释

ckid 4 char "RIFF" 标志, 大写

cksize 4 int32 文件长度。这个长度不包括"RIFF"标志和文件长度本身所占字节, 下面的子块大小也是这样。

fcc type 4 char "WAVE" 类型块标识, 大写。

ckid 4 char 表示"fmt" chunk的开始。此块中包括文件内部格式信息。小写, 最后一个字符是空格。

cksize 4 int32 文件内部格式信息数据的大小。

FormatTag 2 int16 音频数据的编码方式。1 表示是 PCM 编码

Channels 2 int16 声道数，单声道为1，双声道为2

SamplesPerSec 4 int32 采样率(每秒样本数), 比如 44100 等

BytesPerSec 4 int32 音频数据传送速率, 单位是字节。其值为采样率×每次采样大小。播放软件利用此值可以估计缓冲区的大小。

BlockAlign 2 int16 每次采样的大小 = 采样精度*声道数/8(单位是字节); 这也是字节对齐的最小单位, 譬如 16bit 立体声在这里的值是 4 字节。播放软件需要一次处理多个该值大小的字节数据，以便将其值用于缓冲区的调整。

BitsPerSample 2 int16 每个声道的采样精度; 譬如 16bit 在这里的值就是16。如果有多个声道，则每个声道的采样精度大小都一样的。

[cbsize] 2 int16 [可选]附加数据的大小。

[...] x

[ckid] 4 char "fact".

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

[fact data] 4 int32 解压后的音频数据的大小(Bytes).

ckid 4 char 表示 "data" chunk的开始。此块中包含音频数据。小写。

cksize 4 int32 音频数据的长度

...... 文件声音信息数据(真正声音存储部分)

[......] 其它 chunk