音频文件的结构与规范——RIFF和WAVE音频文件格式

RIFF file format

RIFF全称为资源互换文件格式（Resources Interchange File Format），是Windows下大部分多媒体文件遵循的一种文件结构。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

CHUNK

chunk是RIFF文件的基本单元，其基本结构如下：

struct chunk
{
    uint32_t id;   // 块标志
    uint32_t size; // 块大小
    uint8_t data[size]; // 块数据
};

id 4字节，用以标识块中所包含的数据。如：RIFF,LIST,fmt,data,WAV,AVI等，由于这种文件结构最初是由Microsoft和IBM为PC机所定义，RIFF文件是按照小端 little-endian字节顺序写入的。
size 块大小存储在data域中的数据长度，不包含id和size的大小
data 包含数据，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，但是只有块标志为RIFF或者LIST的chunk才能包含其他的chunk。

RIFF chunk

标志为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，并且只能有这一个标志为RIFF的chunk。RIFF的数据域的起始位置是一个4字节码（FOURCC），用于标识其数据域中chunk的数据类型；紧接着数据域的内容则是包含的subchunk，如下图
音频文件的结构与规范——RIFF和WAVE音频文件格式
这是一个RIFF chunk中包含有两个subchunk，可以看出RIFF chunk的数据域首先是是4字节的 Form Type，接着是两个subchunk，每一个subchun有包含有自己的标识、数据域的大小以及数据域。
除了RIFF cunk可以嵌套其他的chunk外，另一个可以有subchunk的就是LIST chunk。
音频文件的结构与规范——RIFF和WAVE音频文件格式
上图中，首先是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。

FourCC

FourCC 全称为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来决定调用那种CODEC进行视音频的解码。例如：DIV3,DIV4,DIVX,H264等，对于音频则有：WAV,MP3等。对于上面的RIFF文件，则有：RIFF,WAVE,fmt,data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' ' '。
FourCC的生成通常可以使用如下宏：

#define MAKE_FOURCC(a,b,c,d) \
( ((uint32_t)d) | ( ((uint32_t)c) << 8 ) | ( ((uint32_t)b) << 16 ) | ( ((uint32_t)a) << 24 ) )

在程序中还是不要使用太长的宏为好，在C++中可以使用模板和enum结合的方式。来保证在编译时期就能够将FourCC生成出来。

#define FOURCC uint32_t 
template <char ch0, char ch1, char ch2, char ch3> struct MakeFOURCC{ enum { value = (ch0 << 0) + (ch1 << 8) + (ch2 << 16) + (ch3 << 24) }; };
FOURCC fourcc_fmt = MakeFOURCC<'f', 'm', 't', ' '>::value;

将字符常量传入模板，在结构体中声明一个enum，编译器会在编译时期确定枚举值，这样就能给保证FOURCC在编译就能生成出来。

WAV file

WAV 是Microsoft开发的一种音频文件格式，它符合上面提到的RIFF文件格式标准，可以看作是RIFF文件的一个具体实例。既然WAV符合RIFF规范，其基本的组成单元也是chunk。一个WAV文件通常有三个chunk以及一个可选chunk，其在文件中的排列方式依次是：RIFF chunk，Format chunk，Fact chunk（附加块，可选），Data chunk。
音频文件的结构与规范——RIFF和WAVE音频文件格式

一个WAV文件，首先是一个RIFF chunk；RIFF chunk又包含有Format chunk，Data chunk以及可选的Fact chunk。各个chunk中字段的意义如下：

RIFF chunk
- id
  FOURCC 值为'R' 'I' 'F' 'F'
- size
  其data字段中数据的大小字节数
- data
  包含其他的chunk
Format chunk
- id
  FOURCC 值为 'f' 'm' 't' ' '
- size
  数据字段包含数据的大小。如无扩展块，则值为16；有扩展块，则值为= 16 + 2字节扩展块长度 + 扩展块长度或者值为18（只有扩展块的长度为2字节，值为0）
- data
  存放音频格式、声道数、采样率等信息
  - format_tag
    2字节，表示音频数据的格式。如值为1，表示使用PCM格式。
  - channels
    2字节，声道数。值为1则为单声道，为2则是双声道。
  - samples_per_sec
    采样率，主要有22.05KHz，44.1kHz和48KHz。
  - bytes_per sec
    音频的码率，每秒播放的字节数。samples_per_sec * channels * bits_per_sample / 8，可以估算出使用缓冲区的大小
  - block_align
    数据块对齐单位，一次采样的大小，值为声道数 * 量化位数 / 8，在播放时需要一次处理多个该值大小的字节数据。
  - bits_per_sample
    音频sample的量化位数，有16位，24位和32位等。
  - cbSize
    扩展区的长度
  - 扩展块内容
    22字节，具体介绍，后面补充。
Fact chunk(option)
- id
  FOURCC 值为 'f' 'a' 'c' 't'
- size
  数据域的长度，4（最小值为4）
- 采样总数 4字节
Data chunk
- id
  FOURCC 值为'd' 'a' 't' 'a'
- size
  数据域的长度
- data
  具体的音频数据存放在这里

采用压缩编码的WAV文件，必须要有Fact chunk，该块中只有一个数据，为每个声道的采样总数。

Format chunk 中的编码方式

在Format chunk中，除了有音频的数据的采样率、声道等音频的属性外，另一个比较主要的字段就是format_tag，该字段表示音频数据是以何种方式编码存放的。其具体的取值可以为以下：

0x0001
WAVE_FORMAT_PCM，采用PCM格式
0x0003
WAVE_FORMAT_IEEE_FLOAT，存放的值为IEEE float，范围为[-1.0f,1.0f]
0x0006
WAVE_FORMAT_ALAW , 8bit ITU-T G.711 A-law
0x0007
WAVE_FORMAT_MULAW,8bit ITU-T G.711 μμ-law
0XFFFE
WAVE_FORMAT_EXTENSIBLE，具体的编码方式有扩展区的 sub_format字段决定

关于扩展格式块

当WAV文件使用的不是PCM编码方式是，就需要扩展格式块，它是在基本的Format chunk又添加一段数据。该数据的前两个字节，表示的扩展块的长度。紧接其后的是扩展的数据区，含有扩展的格式信息，其具体的长度取决于压缩编码的类型。当某种编码方式（如 ITU G.711 a-law）使扩展区的长度为0，扩展区的长度字段还必须保留，只是其值设置为0。
扩展区的各个字节的含义如下：

size 2字节
扩展区的数据长度，可以为0或22
valid_bits_per_sample 2字节
有效的采样位数，最大值为采样字节数 * 8。可以使用更灵活的量化位数，通常音频sample的量化位数为8的倍数，但是使用了WAVE_FORMAT_EXTENSIBLE时，量化的位数有扩展区中的valid bits per sample来描述，可以小于Format chunk中制定的bits per sample。
channle mask 4字节
声道掩码
sub format 16字节
GUID，include the data format code，数据格式码。

在Format chunk中的format_tag设置为0xFFFE时，表示使用扩展区中的sub_format来决定音频的数据的编码方式。在以下几种情况下必须要使用WAVE_FORMAT_EXTENSIBLE

PCM数据的量化位数大于16
音频的采样声道大于2
实际的量化位数不是8的倍数
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的映射情况。

Data chunk

Data块中存放的是音频的采样数据。每个sample按照采样的时间顺序写入，对于使用多个字节的sample，使用小端模式存放（低位字节存放在低地址，高位字节存放在高地址）。对于多声道的sample采用交叉存放的方式。例如：立体双声道的sample存储顺序为：声道1的第一个sample，声道2的第一个sample；声道1的第二个sample，声道2的第二个sample；依次类推....。对于PCM数据，有以下两种的存储方式：

单声道，量化位数为8，使用偏移二进制码
除上面之外的，使用补码方式存储。

总结

本文主要介绍了RIFF文件的格式和WAV音频文件格式，为后面实现对WAVE文件的读写打一个理论基础。后面打算使用C++标准库，实现对WAV文件的读写。

转自：https://www.cnblogs.com/wangguchangqing/p/5957531.html#autoid-0-0-0