wav音频格式解析

发表于 更新于 分类于 阅读次数：

参考：

  • https://www.cnblogs.com/douzujun/p/10600793.html

WAV格式专业名词

wav是微软开发的一种音频文件格式，wav文件格式是无损音频文件格式，相对于其他音频格式文件数据是没有经过压缩的，通常文件也相对比较大些。

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44.1K的取样频率，16位量化数字，因此在声音文件质量和CD相差无几！ 通常使用三个参数来表示声音，量化位数，取样频率和采样点振幅。量化位数分为8位，16位，24位三种，声道有单声道和立体声之分，单声道振幅数据为n*1矩阵点，立体声为n*2矩阵点，取样频率一般有11025Hz(11kHz) ，22050Hz(22kHz)和44100Hz(44kHz) 三种，不过尽管音质出色，但在压缩后的文件体积过大！相对其他音频格式而言是一个缺点，其 文件大小的计算方式为：WAV格式文件所占容量（B) = （取样频率 X量化位数X 声道） X 时间 / 8 (字节= 8bit) 每一分钟WAV格式的音频文件的大小为10MB，其大小不随音量大小及清晰度的变化而变化。

注：专业名词（取样频率、量化位数、声道）解释：https://blog.csdn.net/eric88/article/details/17098603

  • 采样位数：也叫量化位数(单位:比特)，是存储每个采样值所用的二进制位数。采样值反应了声音的波动状态。采样位数决定了量化精度。采样位数越长,量化的精度就越高,还原的波形曲线越真实,产生的量化噪声越小,回放的效果就越逼真。常用的量化位数有4、8、12、16、24。量化位数与声卡的位数和编码有关。如果采样位数为16位，那么能够表示的范围就是\(2^{16}\),采样位数越大，对声音的大小变化表现得也就越精细。
  • 采样频率：采样频率是指录音设备在一秒钟内对声音信号的采样次数，采样频率越高声音的还原就越真实越自然。越高所能描述的声波频率就越高。采样率决定声音频率的范围（相当于音调），由采样定理得知采样率需为待采样声音频率的2倍。
  • 声道数: 使用的声音通道的个数，也是采样时所产生的声音波形的个数。播放声音时,单声道的WAV一般使用一个喇叭发声,立体声的WAV可以使两个喇叭发声。记录声音时,单声道,每次产生一个波形的数据,双声道,每次产生两个波形的数据,所占的存储空间增加一倍。
  • WAV格式大小：采样率一般是44.1K，16bit采样精度，存储成WAV格式大小 = 44.1KHz(采样率) X 16bit(采样位数) X 2(双声道) X 播放时间
  • WAV格式是没有压缩无损的，MP3格式是按1:12压缩保存的，所以MP3格式大小等于上式的1/12。

WAV二进制格式解析

大部分的多媒体文件都依循着一种结构来存放信息，这种结构称为"资源互换文件格式"(Resources lnterchange File Format)，简称RIFF，例如声音的WAV文件，音频视频交错格式数据.AVI。

img

以WAV格式为例，WAV文件一般由RIFF块、FMT块和DATA块三部分依次组成（还可能有JUNK块），下面分别进行介绍。

RIFF块

1
2
3
4
5
typedef struct WAV_RIFF {
    char chunk_id_[4];     // "RIFF"
    uint32_t chunk_size_;  // 36 + sub_chunk2_size, 36是RIFF_T + FMT_T两个头信息的总大小
    char format_[4];       // "WAVE"
} RIFF_T;
  • chunk_id_的值固定为"RIFF"，占用四个字节
  • chunk_size_指示WAV数据的大小，包含RIFF块和FMT块的大小
  • format_的值固定为"WAVE"，占用四个字节

FMT块

1
2
3
4
5
6
7
8
9
10
typedef struct WAV_FMT {
    char sub_chunk1_id_[4];
    uint32_t sub_chunk2_size_;
    uint16_t audio_format_;
    uint16_t num_channels_;
    uint32_t sample_rate_;
    uint32_t byte_rate_;
    uint16_t block_align_;
    uint16_t bits_per_sample_;
} FMT_T;
  • sub_chunk1_id_固定值为"fmt"
  • sub_chunk2_size_代表fmt 块中后续格式数据的长度，后面剩下的字段(audio_format_等)加起来一共是16字节
  • audio_format_：音频格式（1 = PCM）
  • num_channels_：声道数（1 = mono，2 = stereo）
  • sample_rate_：采样率，例如 44100
  • byte_rate_： 每秒字节数 = sample_rate_ × num_channels_ × (bits_per_sample_ / 8)
  • block_align_：一个采样帧占用的字节数
  • bits_per_sample_：每个采样的位数，例如 16 位

DATA块

1
2
3
4
5
6
typedef struct WAV_DATA {
    char sub_chunk2_id_[4];
    uint32_t sub_chunk2_size_;
    // sub-chunk-data
    char data[0];
} DATA_T;
img

C++程序解析格式

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
#include <iostream>
#include <cstdint>
#include <cstring>

typedef struct WAV_RIFF {
    char chunk_id_[4];     // "RIFF"
    uint32_t chunk_size_;  // 36 + sub_chunk2_size, 36是RIFF_T + FMT_T两个头信息的总大小
    char format_[4];       // "WAVE"
} RIFF_T;

typedef struct WAV_FMT {
    char sub_chunk1_id_[4];
    uint32_t sub_chunk2_size_;
    uint16_t audio_format_;
    uint16_t num_channels_;
    uint32_t sample_rate_;
    uint32_t byte_rate_;
    uint16_t block_align_;
    uint16_t bits_per_sample_;
} FMT_T;

typedef struct WAV_DATA {
    char sub_chunk2_id_[4];
    uint32_t sub_chunk2_size_;
    // sub-chunk-data
} DATA_T;

typedef struct WAV_FORMAT {
    RIFF_T riff_;
    WAV_FMT fmt_;
} WAV_HEADER;

void ShowWavHeaderInfo(const WAV_HEADER &header) {

}

int main() {
    FILE *fp = nullptr;
    const char *filepath = "/home/singheart/440hz.wav";
    fp = fopen(filepath, "rb");
    if (fp == nullptr) {
        fprintf(stderr, "open file [%s] failed\n", filepath);
        exit(-1);
    }
    WAV_HEADER header;
    fread(&header, sizeof(header), 1, fp);
    ShowWavHeaderInfo(header);

    return 0;
}

Python画出WAV波形

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
import wave as we
import numpy as np
import matplotlib.pyplot as plt

def wavread(path):
    wavfile =  we.open(path,"rb")
    params = wavfile.getparams()
    nchannels, sampwidth, framesra, frameswav = params[:4]
    print("声道数:%d" % nchannels)
    print("采样宽度（字节数）:%d" % sampwidth)
    print("采样率：:%d" % framesra)
    print("总帧数:%d（样本点数量）" % frameswav)
    datawav = wavfile.readframes(frameswav)
    wavfile.close()
    datause = np.frombuffer(datawav,dtype = np.short)
    if nchannels == 2:
        datause.shape = -1,2
    datause = datause.T
    # 总的样本点数量除以采样率（每秒采集多少个点）
    time = np.arange(0, frameswav) * (1.0/framesra)
    return datause, time, nchannels

if __name__ == "__main__":
    wavdata, wavtime, nchannels = wavread("/home/singheart/440hz.wav")

    duration = 0.01  # 只显示前0.01秒
    N = int(44100 * duration)
    plt.plot(wavtime[:N],wavdata[:N],color = 'green')
    plt.xlabel('Time')
    plt.ylabel('Amplitude')

    plt.show()