WAVE文件格式解析

时间：2022-08-20 22:20:14

WAVE 文件作为Windows多媒体中使用的声音波形文件格式之一，它是以RIFF（Resource Interchange File Format）格式为标准的。这里不针对RIFF文件格式做介绍，不太了解的可以参考“RIFF格式简介”一文。

WAVE文件构成

每个WAVE文件的头四个字节便是“RIFF”。WAVE 文件由文件头和数据体两大部分组成。其中文件头又分为 RIFF／WAV 文件标识段和声音数据格式说明段两部分。相对于RIFF文件，只是将“RIFF”chunk的form id替换为“WAVE”。下表是一个典型的WAVE文件各部分构成及其长度字段。注意所有数据采用windows默认的小端存储。（FOURCC是一个特殊的四字节码，判断时按照字符顺序判断即可。）

域 长度 内容说明
chunkID 4 Chunk ID: "RIFF"，FOURCC四字节码
chunksize 4 Chunk size: 4+n
  WAVEID 4 WAVE ID: "WAVE"，FOURCC四字节码
WAVE chunks n Wave chunks包含格式信息和音频采样数据，分为“format” chunk和“data”chunk两部分。

Format chunk

Format chunk用于说明data chunk中PCM数据的格式。主要三种不同的format chunk格式（不同的格式码）。如下表：

域 长度 内容说明
ckID 4 Chunk ID: "fmt "，FOURCC四字节码，注意最后一个填充是空格。
cksize 4 Chunk size: 16 or 18 or 40
  wFormatTag 2 Format code，格式码
nChannels 2 Number of interleaved channels，采样声道数（交织存储）
nSamplesPerSec 4 Sampling rate (blocks per second)，音频采样率
nAvgBytesPerSec 4 Data rate，音频码率
nBlockAlign 2 Data block size (bytes)，音频数据块大小（单位字节）
wBitsPerSample 2 Bits per sample，量化位数（比如8bits、16bits、32bits）
cbSize 2 Size of the extension (0 or 22)，扩展字段长度
wValidBitsPerSample 2 Number of valid bits，有效的位长度
dwChannelMask 4 Speaker position mask，声道描述掩码，比如左声道、右声道等
SubFormat 16 GUID, including the data format code，数据格式码

标准中定义的wFormatTag（Format code）可取值范围如下表：

Format Code PreProcessor Symbol Data
0x0001 WAVE_FORMAT_PCM PCM
0x0003 WAVE_FORMAT_IEEE_FLOAT IEEE float，[-1.0f,1.0f]
0x0006 WAVE_FORMAT_ALAW 8-bit ITU-T G.711 A-law
0x0007 WAVE_FORMAT_MULAW 8-bit ITU-T G.711 µ-law
0xFFFE WAVE_FORMAT_EXTENSIBLE Determined by SubFormat

PCM格式

当wFormatTag为0x0001时，表示WAVE文件中存储的是PCM格式的音频数据。

在数据域中除了单声道-量化位数为8音频数据之外PCM存储格式按照补码的形式存放。对于单声道、量化位数为8的情况，使用offset binary（偏移二进制码），有兴趣的可以查看下对应的标准。

非PCM格式

对于非PCM格式的数据，使用扩展字段，扩展字段长度由cbSize指定。需要说明以下几点：

  • 对于非PCM格式，必须有扩展字段，字段长度cbSize可以为0，但是扩展字段不可省略。
  • 对于浮点数据，最大峰值为1，量化位数（bits/sample）取值可以是32或64。
  • 对于 log-PCM formats (µ-law and A-law)的格式，量化位数（bits/sample）取值为8。
  • 对于非PCM格式，必须包含“FACT”chunk。

扩展格式

当FormatTag为WAVE_FORMAT_EXTENSIBLE（0xFFFE）时，表示format chunk有扩展字段，其中包括有效量化位数（wValidBitsPerSample）、声道位置掩码、以及额外的GUID（SubFormat）。

  • 在正常PCM数据中量化位数（wBitsPerSample）必须是8的倍数，在WAVE_FORMAT_EXTENSIBLE下量化位数可以使用wValidBitsPerSample来描述，也就是会所wValidBitsPerSample有可能小于wBitsPerSample。
  • 对于声道位置掩码的信息，可参考如下文章：Multi-channel / high bit resolution formats, 2001-12-04: Multiple Channel Audio Data and WAVE Files。
  • SubFormat代表的GUID前两个字节是由PCM数据格式填充的，例如WAVE_FORMAT_EXTENSIBLE。后续的14个字节是固定的，"\x00\x00\x00\x00\x10\x00\x80\x00\x00\xAA\x00\x38\x9B\x71"。

在以下几种情况下必须使用WAVE_FORMAT_EXTENSIBLE格式：

  1. PCM数据的量化位数（wBitsPerSample）大于16。
  2. 音频采样声道数大于2。
  3. 实际量化位数不是8的倍数。
  4. 存储顺序和播放顺序不一致，需要指定从声道顺序到声卡播放顺序映射的情况。

FACT chunk

通常PCM数据是不压缩的，对于所有压缩的非PCM格式都需要有FACT chunk。具体可参考：WAVE update (Revision: 3.0), 1994-04-15: Multimedia Registration Kit Revision 3.0 (Q120253))。FACT chunk至少定义一个字段，实际采样数dwSampleLength。

关于FACT chunk可以了解，但是很少用到，如果有这种格式的wav文件，建议参考上述标准解析。

DATA chunk

data chunk中包含采样数据。格式如下：

域 长度 内容说明
ckID 4 Chunk ID: "data"
cksize 4 Chunk size: n
  sampled data n Samples，音频采样数据，交织存储
pad byte 0 or 1 Padding byte if n is odd，填充字节

实例

由于微软将多媒体输入输出函数废弃了（Using Multimedia File I/O），这里不给出专门读写的代码，而是直接使用二进制形式分析。

先做如下假定：

  • Nc 表示channels，声道数
  • Ns表示文件中包含的实际采样块数目，每个采样块包括Nc 个独立采样
  • 采样率为 F (blocks per second，单位Hz)
  • 每个采样的长度为M字节。

PCM文件格式如下表：

Field Length Contents
ckID 4 Chunk ID: "RIFF"
cksize 4 Chunk size: 4 + 24 +
(8 + M * Nc * Ns + (0 or 1))
  WAVEID 4 WAVE ID: "WAVE"
ckID 4 Chunk ID: "fmt "
cksize 4 Chunk size: 16
  wFormatTag 2 WAVE_FORMAT_PCM
nChannels 2 Nc
nSamplesPerSec 4 F
nAvgBytesPerSec 4 F * M * Nc
nBlockAlign 2 M * Nc
wBitsPerSample 2 rounds up to 8 * M
ckID 4 Chunk ID: "data"
cksize 4 Chunk size: M * Nc* Ns
  sampled data M * Nc * Ns Nc * Ns channel-interleaved M-byte samples
pad 0 or 1 Padding byte if M * Nc * Ns is odd

注意WAVE文件可能附加information chunk。所以程序解析是最好按照上述标准定义，不要认为去掉wav fmt chunk之后全是data chunk。

Extensible Format如下表：

Field Length Contents
ckID 4 Chunk ID: "RIFF"
cksize 4 Chunk size: 4 + 48 + 12 +
(8 + M * Nc * Ns + (0 or 1))
  WAVEID 4 WAVE ID, "WAVE"
ckID 4 Chunk ID: "fmt "
cksize 4 Chunk size: 40
  wFormatTag 2 WAVE_FORMAT_EXTENSIBLE
nChannels 2 Nc
nSamplesPerSec 4 F
nAvgBytesPerSec 4 F * M * Nc
nBlockAlign 2 M * Nc
wBitsPerSample 2 8 * M
cbSize 2 Size of the extension: 22
wValidBitsPerSample 2 at most 8 * M
dwChannelMask 4 Speaker position mask: 0
SubFormat 16 GUID (first two bytes are the data format code)
ckID 4 Chunk ID: "fact"
cksize 4 Chunk size: 4
  dwSampleLength 4 Nc * Ns
ckID 4 Chunk ID: "data"
cksize 4 Chunk size: M * Nc * Ns
  sampled data M * Nc *Ns Nc * Ns channel-interleaved M-byte samples
pad 0 or 1 Padding byte if M * Nc * Ns is odd

本文主要参考：Audio File Format Specifications，相关测试wav文件及标准也从其链接下载。

写作本文的目的主要是学习下wave文件格式，并能够将音频数据解析出来。

以上介绍的内容中针对WAVE文件我们可以只关心，fmt chunk、data chunk数据，其他数据chunk可以忽略，如果你对其他chunk感兴趣，建议查看rfc2361及Microsoft提供的标准文档。

相关文章