【数据压缩】WAV PCM FORMAT

       WAV文件是微软公司开发的一种声音文件格式，大部分的WAV文件中的音频数据是直接通过PCM（Pulse Code Modulation）脉冲编码调制得到的样本数据，由于未被压缩或压缩比很小所以其质量较高，但同时数据量也很大。在数字领域，存储音频文件的最直接方式就是在满足奈奎斯特抽样定理的条件下，将模拟的音频文件进行抽样量化，将得到的一系列样本值以二进制形式存储在文件中，这就是PCM脉冲编码调制的大致步骤。尽管大部分的WAV文件存储的都是未经压缩的，但它也支持一些音频压缩方法。

      那么如何将模拟的音频变成存储在电脑中的二进制数据呢？首先是选定抽样频率，对模拟音频进行抽样使得其在时间域是离散的，再将抽样值进行量化。WAV文件对每个抽样值的量化比特数没有具体规定，但固定在存储时每个样本值由整数个字节来表示，因此每个样本值的比特数均应该为8bit的整数倍如8bit、16bit、24bit、32bit等。当某个样本值的比特数不是8bit的整数倍时，则需要将其左移并再低位填充0使其变成8bit的整数倍。例如某个抽样量化后的样本值为1011000101，则存储时需要将其补0为10110001 01000000，再采用小端序（先存低字节，再存高字节，默认存储方式）的方式进行存储，最终该样值被存为B1 40。一个需要注意的小细节是在 WAV文件中，8bit的是unsigned类型的无符号数据，但16bit或更高的量化级的都是signed类型的有符号数。

      将模拟音频转化为二进制的数据后，要想将其存储在电脑中需要考虑其数据组织的形式，这样在后续对文件进行操作时会更加方便。WAV文件是一种基于RIFF规范的音频文件格式。RIFF（Resource Interchange File Format）是一种自包含的文件组织格式，它的基本单位是Chunk，一个基于RIFF规范的文件是由若干个Chunk组成的。

Chunk:

1.基本格式：

struct chunk

{

u32   chunk_id;             /*块标志 */

u32   chunk_size;         /* 块大小*/

u8      data[chunk_size];/* 块内容*/

};

chunk_id是一个4字节的ASCII标识符，用来标识该Chunk中的数据，不足四字节的再末尾用空位占位。可以有：'RIFF','LIST','fmt ','data','WAV ','AVI '等，采用小端序。

chunk_size也是四字节，存储的是data中的数据长度(以字节为单位)，不包括chunk_id和chunk_size本身所占的内存单元。

data[chunk_size]：该Chunk中的数据，必须为偶数个字节，若长度为奇数则在最后添一个空字节。

2.各种子类：

Chunk有多种子类，其中两种类型为“RIFF”和“LIST”的两种Chunk可以包含其他块，其他的Chunk则只能有数据。

“RIFF”/“LIST”子类格式如下：

struct chunk

{

u32   chunk_ id;                   /*块标志 */

u32   chunk_size;                 /*块大小 ，由于此时的data部分分为type和restdata两部分，所以chunk_size应该为type和restdata数据长度之和*/

u32    type;                           /* 类型 */

u8      restdata[chunk_size-4]/* data中除了type4个字节后的数据，可以有包含的其他Chunk的数据 */

};

 

WAV文件格式：

一个WAV文件就是一个RIFF文件。其组成方式为：一个RIFF Chunk，其type为“WAVE”，其restdata部分包含了两个Chunk分别为“fmt” Chunk和“data” Chunk。

其详细的结构如下：

ChunkID：四字节，“RIFF”（ASCII字符）；

ChunkSize：四字节，表示该WAV文件除去ChunkID和ChunkSize之外的所有数据长度的总和，等于Format长度+SubChunk1长度（绿色部分）+Subchunk2长度（橙色部分），即4+（4+4+Subchunk Size）+（4+4+Subchunk2 Size）=4+24+（8+Subchunk2 Size）=36+Subchunk2 Size，由于只能用4字节来表示文件的大小，因此WAV文件限制在4GB内（有的程序限制其大小为2GB）；

Format：四字节，，表示该RIFF文件的类型，此处为：“WAVE”（ASCII字符）；

Subchunk1ID：四字节，“fmt ”(注意末尾有一个空格占位，因为一个Chunk的ID必须为四位的ASCII字符)；

Subchunk1Size：四字节，“fmt”chunk除去Subchunk1ID和Subchunk1Size之外的所有数据长度之和，为2+2+4+4+2+2=16；

AudioFormat：两字节，表示音频数据的编码方式，PCM=1，若不为1则表示其他的数据编码方式，其值所代表的详细编码方式可以见文章末尾；

NumChannels：两字节，表示声道数，Mono = 1,Stereo = 2等

SampleRate：四字节，采样率，常见的采样率有8000,44100等（单位为Hz）；

ByteRate：四字节，表示一秒钟内的音频信号数据需要多少个字节来存储，为SampleRate* NumChannels * BitsPerSample/8

BlockAlign：两字节，表示每一时刻的音频信号的抽样值需要几个字节来表示，为NumChannels* BitsPerSample/8

BitsPerSample：两字节，表示量化比特数，8bits = 8, 16 bits = 16等；

（若该音频文件不是PCM编码，则其fmt chunk后还会有一些其他的参数）

Subchunk2 ID：四字节，“data”（ASCII字符）；

Subchunk2 Size：四字节，data部分数据的长度，若为奇数则在末尾添加空字节使得长度为偶数；

Data：Subchunk2Size个字节，实际的声音数据。

下面是举例说明一个WAV文件中的数据（只列举了文件的前72字节）：

其颜色与上面的结构图相对应。由图可知该WAV文件是双声道、16bit量化的，因此某一时刻的样本值由四字节来表示。文件的音频信号样值若为多声道，其值是交叉排列的，例如双声道为：左声道样值、右声道样值、左声道样值、右声道样值……如此排列，多声道同理。

由Audio Format这个参数的值，可以得知WAV文件中音频数据的编码方式，下列是目前WAV文件支持的编码方式：

Code　　　　　　Description
0 (0x0000) 　    　Unknown
1 (0x0001) 　　     PCM/uncompressed
2 (0x0002) 　　    Microsoft ADPCM
6 (0x0006) 　    　ITU G.711 a-law
7 (0x0007) 　　    ITU G.711 µ-law
17 (0x0011) 　    　IMA ADPCM
20 (0x0016) 　　   ITU G.723 ADPCM (Yamaha)
49 (0x0031) 　   　GSM 6.10
64 (0x0040) 　   　ITU G.721 ADPCM
80 (0x0050) 　　   MPEG
65,536 (0xFFFF) 　Experimental

 

本文参考网址：

http://www.codeguru.com/cpp/g-m/multimedia/audio/article.php/c8935/PCM-Audio-and-Wave-Files.htm

http://soundfile.sapp.org/doc/WaveFormat/