(原创)speex与wav格式音频文件的互相转换

时间：2022-02-23 19:45:43

我们的司信项目又有了新的需求，就是要做会议室。然而需求却很纠结，要继续按照原来发语音消息那样的形式来实现这个会议的功能，还要实现语音播放的计时，暂停，语音的拼接，还要绘制频谱图等等。

如果是wav，mp3不论你怎么拼接，绘制频谱图，我也没有问题，网上都有现成的例子。然而这一次居然让用speex的音频做这一切。

于是看了司信之前的发语音消息部分speex的代码，天啊，人家录的时候这是实时录音实时编码的好不好，人家放的时候也是实时解码实时播放的好不好。你这让我怎么通过 一个speex文件就得到全部的频谱图和时间啊，你让我怎么在播放的时候暂停，然后再按一下继续播放啊，这哪里是坑啊，这简直就是坑爹啊。

speex格式的文件是不能暂停的，也不能直接得到时间长度和频谱，因此只能转化成wav或者mp3格式的才可以。要想实现上面的功能就必须实现speex文件与正常音频格式的转换。

这里可能有些人对安卓的录音过程不太懂，先介绍一下（研究了这么久，就让我卖弄一下吧）

安卓录音的时候是使用AudioRecord来进行录制的（当然mediarecord也可以，mediarecord强大一些），录制后的数据称为pcm，这就是raw（原始）数据，这些数据是没有任何文件头的，存成文件后用播放器是播放不出来的，需要加入一个44字节的头，就可以转变为wav格式，这样就可以用播放器进行播放了。

怎么加头，代码在下边：

 1 // 这里得到可播放的音频文件  
 2     private void copyWaveFile(String inFilename, String outFilename) {
 3         FileInputStream in = null;
 4         FileOutputStream out = null;
 5         long totalAudioLen = 0;
 6         long totalDataLen = totalAudioLen + 36;
 7         long longSampleRate = AudioFileFunc.AUDIO_SAMPLE_RATE;
 8         int channels = 2;
 9         long byteRate = 16 * AudioFileFunc.AUDIO_SAMPLE_RATE * channels / 8;
10         byte[] data = new byte[bufferSizeInBytes];
11         try {
12             in = new FileInputStream(inFilename);
13             out = new FileOutputStream(outFilename);
14             totalAudioLen = in.getChannel().size();
15             totalDataLen = totalAudioLen + 36;
16             WriteWaveFileHeader(out, totalAudioLen, totalDataLen, longSampleRate, channels, byteRate);
17             while (in.read(data) != -1) {
18                 out.write(data);
19             }
20             in.close();
21             out.close();
22         } catch (FileNotFoundException e) {
23             e.printStackTrace();
24         } catch (IOException e) {
25             e.printStackTrace();
26         }
27     }
28 
29     /** 
30      * 这里提供一个头信息。插入这些信息就可以得到可以播放的文件。 
31      * 为我为啥插入这44个字节，这个还真没深入研究，不过你随便打开一个wav 
32      * 音频的文件，可以发现前面的头文件可以说基本一样哦。每种格式的文件都有 
33      * 自己特有的头文件。 
34      */
35     private void WriteWaveFileHeader(FileOutputStream out, long totalAudioLen, long totalDataLen, long longSampleRate, int channels, long byteRate) throws IOException {
36         byte[] header = new byte[44];
37         header[0] = 'R'; // RIFF/WAVE header  
38         header[1] = 'I';
39         header[2] = 'F';
40         header[3] = 'F';
41         header[4] = (byte) (totalDataLen & 0xff);
42         header[5] = (byte) ((totalDataLen >> 8) & 0xff);
43         header[6] = (byte) ((totalDataLen >> 16) & 0xff);
44         header[7] = (byte) ((totalDataLen >> 24) & 0xff);
45         header[8] = 'W';
46         header[9] = 'A';
47         header[10] = 'V';
48         header[11] = 'E';
49         header[12] = 'f'; // 'fmt ' chunk  
50         header[13] = 'm';
51         header[14] = 't';
52         header[15] = ' ';
53         header[16] = 16; // 4 bytes: size of 'fmt ' chunk  
54         header[17] = 0;
55         header[18] = 0;
56         header[19] = 0;
57         header[20] = 1; // format = 1  
58         header[21] = 0;
59         header[22] = (byte) channels;
60         header[23] = 0;
61         header[24] = (byte) (longSampleRate & 0xff);
62         header[25] = (byte) ((longSampleRate >> 8) & 0xff);
63         header[26] = (byte) ((longSampleRate >> 16) & 0xff);
64         header[27] = (byte) ((longSampleRate >> 24) & 0xff);
65         header[28] = (byte) (byteRate & 0xff);
66         header[29] = (byte) ((byteRate >> 8) & 0xff);
67         header[30] = (byte) ((byteRate >> 16) & 0xff);
68         header[31] = (byte) ((byteRate >> 24) & 0xff);
69         header[32] = (byte) (2 * 16 / 8); // block align  
70         header[33] = 0;
71         header[34] = 16; // bits per sample  
72         header[35] = 0;
73         header[36] = 'd';
74         header[37] = 'a';
75         header[38] = 't';
76         header[39] = 'a';
77         header[40] = (byte) (totalAudioLen & 0xff);
78         header[41] = (byte) ((totalAudioLen >> 8) & 0xff);
79         header[42] = (byte) ((totalAudioLen >> 16) & 0xff);
80         header[43] = (byte) ((totalAudioLen >> 24) & 0xff);
81         out.write(header, 0, 44);
82     }

得到了wav文件，那我们如何转化成speex文件呢？由于之前的项目采用的是googlecode上gauss的代码，没有经过太多改动，也没有仔细研究过。这里我先请教了公司的技术达人，天虹总监（之前国内首先研究ios上使用speex库的大牛），他说就把wav去掉header，然后把pcm数据放入的speex的encode方法里编码就可以了，得到的数据就是speex的文件。

听大牛一说如此简单，还等啥，照办，代码写好了，一运行就崩溃，擦，为什么呢，再运行还崩溃，错误提示是：

 1 JNI WARNING: JNI function SetByteArrayRegion called with exception pending

2 in Lcom/sixin/speex/Speex;.encode:([SI[BI)I (SetByteArrayRegion) 

数组越界，天啊为什么？！

于是我仔细去找了speex的源码：

 1 extern "C"
 2 JNIEXPORT jint JNICALL Java_com_sixin_speex_Speex_encode
 3     (JNIEnv *env, jobject obj, jshortArray lin, jint offset, jbyteArray encoded, jint size) {
 4 
 5         jshort buffer[enc_frame_size];
 6         jbyte output_buffer[enc_frame_size];
 7     int nsamples = (size-1)/enc_frame_size + 1;
 8     int i, tot_bytes = 0;
 9 
10     if (!codec_open)
11         return 0;
12 
13     speex_bits_reset(&ebits);
14 
15     for (i = 0; i < nsamples; i++) {
16         env->GetShortArrayRegion(lin, offset + i*enc_frame_size, enc_frame_size, buffer);
17         speex_encode_int(enc_state, buffer, &ebits);
18     }
19     //env->GetShortArrayRegion(lin, offset, enc_frame_size, buffer);
20     //speex_encode_int(enc_state, buffer, &ebits);
21 
22     tot_bytes = speex_bits_write(&ebits, (char *)output_buffer,
23                      enc_frame_size);
24     env->SetByteArrayRegion(encoded, 0, tot_bytes,
25                 output_buffer);
26 
27         return (jint)tot_bytes;
28 }

发现了enc_frame_size 有一个恒定的值：160

然后仔细研究发现这个encode方法每次也就只能编码160个short类型的音频原数据，擦，大牛给我留了一个坑啊。

没事，这也好办，既然你只接受160的short，那我就一点一点的读，一点一点的编码不行么。

方法在下：

 1 public void raw2spx(String inFileName, String outFileName) {
 2 
 3         FileInputStream rawFileInputStream = null;
 4         FileOutputStream fileOutputStream = null;
 5         try {
 6             rawFileInputStream = new FileInputStream(inFileName);
 7             fileOutputStream = new FileOutputStream(outFileName);
 8             byte[] rawbyte = new byte[320];
 9             byte[] encoded = new byte[160];
10             //将原数据转换成spx压缩的文件，speex只能编码160字节的数据，需要使用一个循环
11             int readedtotal = 0;
12             int size = 0;
13             int encodedtotal = 0;
14             while ((size = rawFileInputStream.read(rawbyte, 0, 320)) != -1) {
15                 readedtotal = readedtotal + size;
16                 short[] rawdata = byteArray2ShortArray(rawbyte);
17                 int encodesize = speex.encode(rawdata, 0, encoded, rawdata.length);
18                 fileOutputStream.write(encoded, 0, encodesize);
19                 encodedtotal = encodedtotal + encodesize;
20                 Log.e("test", "readedtotal " + readedtotal + "\n size" + size + "\n encodesize" + encodesize + "\n encodedtotal" + encodedtotal);
21             }
22             fileOutputStream.close();
23             rawFileInputStream.close();
24         } catch (Exception e) {
25             Log.e("test", e.toString());
26         }
27 
28     }

注意speex.encode方法的第一个参数是short类型的，这里需要160大小的short数组，所以我们要从文件里每次读取出320个byte（一个short等于两个byte这不用再解释了吧）。转化成short数组之后在编码。

经过转化发现speex的编码能力好强大，1.30M的文件，直接编码到了80k，好腻害呦。

这样在传输的过程中可以大大的减少流量，只能说speex技术真的很牛x。听说后来又升级了opus，不知道会不会更腻害呢。

 

编码过程实现了，接下来就是如何解码了，后来测试又发现speex的编码也是每次只能解码出来160个short，要不怎么说坑呢。

那个方法是这样子的

 1 decsize = speex.decode(inbyte, decoded, readsize); 

既然每次都必须解码出160个short来，那我放进去的inbyte是多少个byte呢，你妹的也不告诉我啊？？？

不告诉我，我也有办法，之前不是每次编码160个short吗？看看你编完之后是多少个byte不就行了？

经过测试，得到160个short编完了是20个byte，也就是320个byte压缩成了20个byte，数据缩小到了原来的1/16啊，果然牛x。

既然知道了是20，那么每次从压缩后的speex文件里读出20个byte来解码，这样就应该可以还原数据了。

 1 public void spx2raw(String inFileName, String outFileName) {
 2         FileInputStream inAccessFile = null;
 3         FileOutputStream fileOutputStream = null;
 4         try {
 5             inAccessFile = new FileInputStream(inFileName);
 6             fileOutputStream = new FileOutputStream(outFileName);
 7             byte[] inbyte = new byte[20];
 8             short[] decoded = new short[160];
 9             int readsize = 0;
10             int readedtotal = 0;
11             int decsize = 0;
12             int decodetotal = 0;
13             while ((readsize = inAccessFile.read(inbyte, 0, 20)) != -1) {
14                 readedtotal = readedtotal + readsize;
15                 decsize = speex.decode(inbyte, decoded, readsize);
16                 fileOutputStream.write(shortArray2ByteArray(decoded), 0, decsize*2);
17                 decodetotal = decodetotal + decsize;
18                 Log.e("test", "readsize " + readsize + "\n readedtotal" + readedtotal + "\n decsize" + decsize + "\n decodetotal" + decodetotal);
19             }
20             fileOutputStream.close();
21             inAccessFile.close();
22         } catch (Exception e) {
23             Log.e("test", e.toString());
24         }
25     }

当然解码出来的文件是pcm的原数据，要想播放必须加44个字节的wav的文件头，上面已经说过了，有兴趣的可以自己试试。

ps：wav文件去头转成spx然后再转回wav播放出来的文件，虽然时长没有变，但是声音变小了，貌似还有了点点的噪音。因此我怀疑speex压缩式有损压缩，不过如果只是语音的话，还是可以听清楚的，里面的具体算法我不清楚，如果大家有时间可以自己研究研究。

 

昨天晚上又经过了一轮测试，发现直接压缩wav的原数据到speex这个压缩效率只是压缩为原来数据大小的1/16，而我用gauss的算法录出来的spx文件压缩效率要高很多，比如用原始音频录了7s，wav数据是1.21M，而gauss算法得到的speex文件只有8k，采用我的方法直接压缩后的speex文件为77k。而用安卓的mediarecord录音得到的amr格式的文件只有13k，如果使用我提供的方法录音那还不如使用安卓自带的api录制amr格式的音频呢，还费这么大劲搞这玩意儿干啥？大牛还是有些东西没有告诉我们，这还需要我们自己去研究。

差距为什么这么大呢？我又去看了gauss的方法，他生成speex文件的流程经过了ogg编码，过程如下：

1.首先它录音的过程与我们录音的过程都是一样的，都是先录制pcm的原数据

2.录制完成后他也是用了speex先压缩

3.speex压缩后的数据存储的时候，他封装了speexwriter的一个类，speexwriter又调用了speexwriterClient的一个类

，而在speexwriterClient里又发现了oggspeexwriter的类。也就是说，他在把speex压缩后的20个byte放入到文件的时候又进行了一次ogg编码

这样我们就找到原因了，但是对于ogg的编码我不熟悉，还有待研究。如果有啥成果了，就请期待我下一篇博客吧。

 

更正：之所以我录制出来的wav音频大，以及编码成的speex文件比gauss的文件大的原因不只有ogg编码的问题，还有另外一个更重要的原因：设置的采样率不同，gauss的demo里设置的采样率额为8000，而我设置的是标准的44100的采样率额，因此采集到的数据本来就大很多

然后我又将采样率改成了8000，然后7s的原始录音大小由1M多减小到200k多一点了，然后直接转成speex后为13k大小，跟amr可以说不相上下。请原谅我的错误。(T_T)

 

代码链接如下：

https://github.com/dongweiq/study/tree/master/Record

我的github地址：https://github.com/dongweiq/study

欢迎关注，欢迎star o(∩_∩)o 。有什么问题请邮箱联系 dongweiqmail@gmail.com qq714094450

 

标签：

相关文章