语音识别之wave文件(*.wav)格式、PCM数据格式介绍

音频简介

经常见到这样的描述: 44100HZ 16bit stereo 或者 22050HZ 8bit mono 等等.

44100HZ 16bit stereo: 每秒钟有 44100 次采样, 采样数据用 16 位(2字节)记录, 双声道(立体声);

22050HZ 8bit mono: 每秒钟有 22050 次采样, 采样数据用 8 位(1字节)记录, 单声道;

当然也可以有 16bit 的单声道或 8bit 的立体声, 等等。

采样率

采样率 是指：声音信号在“模→数”转换过程中单位时间内采样的次数。采样值是指每一次采样周期内声音模拟信号的积分值。

对于单声道声音文件，采样数据为八位的短整数（short int 00H-FFH）；

而对于双声道立体声声音文件，每次采样数据为一个16位的整数（int），高八位(左声道)和低八位(右声道)分别代表两个声道。

人对频率的识别范围是 20HZ - 20000HZ, 如果每秒钟能对声音做 20000 个采样, 回放时就足可以满足人耳的需求. 所以 22050 的采样频率是常用的, 44100 已是CD音质, 超过48000的采样对人耳已经没有意义。这和电影的每秒 24 帧图片的道理差不多。

储存空间

每个采样数据记录的是振幅, 采样精度取决于储存空间的大小:

1 字节(也就是8bit) 只能记录 256 个数, 也就是只能将振幅划分成 256 个等级;

2 字节(也就是16bit) 可以细到 65536 个数, 这已是 CD 标准了;

4 字节(也就是32bit) 能把振幅细分到 4294967296 个等级, 实在是没必要了.

如果是双声道(stereo), 采样就是双份的, 文件也差不多要大一倍.

这样我们就可以根据一个 wav 文件的大小、采样频率和采样大小估算出一个 wav 文件的播放长度。

譬如 “Windows XP 启动.wav” 的文件长度是 424,644 字节, 它是 “22050HZ / 16bit / 立体声” 格式(这可以从其 “属性->摘要” 里看到),

那么它的每秒的传输速率(位速, 也叫比特率、取样率)是 22050162 = 705600(bit/s), 换算成字节单位就是 705600/8 = 88200(字节/秒),
播放时间：424644(总字节数) / 88200(每秒字节数) ≈ 4.8145578(秒)。

但是这还不够精确, 包装标准的 PCM 格式的 WAVE 文件(*.wav)中至少带有 42 个字节的头信息, 在计算播放时间时应该将其去掉:
所以就有：(424644-42) / (22050162/8) ≈ 4.8140816(秒). 这样就比较精确了.

关于声音文件还有一个概念: “位速”, 也有叫做比特率、取样率, 譬如上面文件的位速是 705.6kbps 或 705600bps, 其中的 b 是 bit, ps 是每秒的意思;

压缩的音频文件常常用位速来表示, 譬如达到 CD 音质的 MP3 是: 128kbps / 44100HZ.

wave文件格式

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。

Wave文件的内部结构

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。块的结构如表1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)|

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

     图   Fact Chunk

---

Wave文件格式详细说明

Windows平台上WAVEFORMAT结构的认识

PCM和非PCM的主要区别是声音数据的组织不同，这些区别可以通过两者的WAVEFORMAT结构来区分。

下面以PCM和IMA-ADPCM来进行对比。

WAVE的基本结构 WAVEFORMATEX 结构定义如下：

 1 typedef struct
 2 {
 3     WORD  wFormatag; //编码格式，包括WAVE_FORMAT_PCM，WAVEFORMAT_ADPCM等
 4     WORD  nChannls; //声道数，单声道为1，双声道为2;
 5  
 6     DWORD  nSamplesPerSec; //采样频率；
 7  
 8     DWORD  nAvgBytesperSec；  //每秒的数据量；
 9  
10     WORD  nBlockAlign; //块对齐；
11  
12     WORD  wBitsPerSample; //WAVE文件的采样大小；
13  
14     WORD  cbSize; // The count in bytes of the size of extra
15                   // information(after cbSize). PCM中忽略此值
16  } WAVEFORMATEX;

IMAADPCMWAVEFORMAT结构定义如下：

1 Typedef struct
2 {
3     WAVEFORMATEX  wfmt;
4 
5     WORD  nSamplesPerBlock;
6    
7 } IMAADPCMWAVEFORMAT;

IMA-ADPCM中的的wfmt->cbsize不能忽略，一般取值为2，表示此类型的WAVEFORMAT比一般的WAVEFORMAT多出2个字节。这两个字符也就是nSamplesPerBlock。

“fact” chunk的内部组织

在非PCM格式的文件中,一般会在WAVEFORMAT结构后面加入一个 “fact” chunk, 结构如下：

datafactsize是这个chunk中最重要的数据，如果这是某种压缩格式的声音文件，那么从这里就可以知道他解压缩后的大小。对于解压时的计算会有很大的好处！

“data” chunk的内部组织

typedef struct{ 

   char[4]; //“fact”字符串 

   DWORD chunksize; 

   DWORD datafactsize; // 音频数据转换为PCM格式后的大小。 

} factchunk;

从 “data” chunk的第9个字节开始，存储的就是声音信息的数据了，(前八个字节存储的是标志符 “data” 和后接数据大小size(DWORD)。这些数据可以是压缩的，也可以是没有压缩的。

PCM数据格式

PCM(Pulse Code Modulation)也被称为 脉码编码调制。PCM中的声音数据没有被压缩，如果是单声道的文件，采样数据按时间的先后顺序依次存入。(它的基本组织单位是BYTE(8bit)或WORD(16bit))

一般情况下，一帧PCM是由2048次采样组成的，参考 。

如果是双声道的文件，采样数据按时间先后顺序交叉地存入。如图所示:

PCM的每个样本值包含在一个整数i中，i的长度为容纳指定样本长度所需的最小字节数。

首先存储低有效字节，表示样本幅度的位放在i的高有效位上，剩下的位置为0，这样8位和16位的PCM波形样本的数据格式如下所示。

样本大小      数据格式            最小值    最大值

8位PCM       unsigned int         0       225

16位PCM      int                -32767    32767

参考资料

[1]http://redsoft.ycool.com/post.2232742.html

[2]http://dev.firnow.com/course/3_program/hb/hbxl/20100803/518348.html

[3]http://hi.baidu.com/kindyb/blog/item/0a314f8859489c93a4c27297.html

[4]http://hi.baidu.com/kindyb/blog/item/353f4813df8799055aaf5397.html

[5]http://hi.baidu.com/kindyb/blog/item/2f31daa93f5ed4fb1e17a291.html

[6]http://hi.baidu.com/bigbigant/blog/item/7b91aa01e46dd4021d958317.html