wav音頻文件格式分析與數(shù)據(jù)獲取

羅海濤

摘要：音頻文件是把語音信號離散化的數(shù)字文件，wav格式的音頻文件是常用的二進(jìn)制音頻格式，廣泛應(yīng)用于語音信號處理、語音識別、語音合成等領(lǐng)域；本文詳細(xì)分析了wav音頻文件格式，并用C語言編程，實現(xiàn)對該格式文件的訪問，獲取音頻信息和數(shù)據(jù)。

關(guān)鍵字：wav；音頻文件；音頻信息；音頻數(shù)據(jù)

中圖分類號：TP37 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）27-0211-03

1 概述

語言是人們之間進(jìn)行通訊和交流必不可少的手段。語音由人的發(fā)音器官發(fā)出，語音信號是連續(xù)的模擬信號，在用計算機(jī)來處理時，需要進(jìn)行數(shù)字化，包括采樣、量化等過程，轉(zhuǎn)換成離散的數(shù)字信號，保存在音頻文件中。現(xiàn)在很多領(lǐng)域要求對語音信號中的音頻數(shù)據(jù)進(jìn)行進(jìn)一步的加工和處理。例如，利用讀出的音頻信號數(shù)據(jù)，進(jìn)行語音信號時域和頻域分析、語音壓縮、語音編碼、解碼、語音合成、語音識別、語音增強(qiáng)等，并通過波形觀察比較不同編碼效果。另外，利用多媒體語音系統(tǒng)我們還可以用語音數(shù)據(jù)和波形方便地進(jìn)行噪聲模擬分析，語音特征提取研究，以及語音識別和訓(xùn)練等應(yīng)用方面的實驗。又如：在人工智能領(lǐng)域，通過設(shè)計軟件和硬件電路，用聲音去控制計算機(jī)工作，還有機(jī)器人通過語音與人進(jìn)行簡單的對話交流等等。這些都要求我們對數(shù)字語音信號進(jìn)行一些必要的加工處理。

wav文件格式是一種重要的數(shù)字音頻文件格式，是目前應(yīng)用很廣泛的一種音頻格式。相比于其他格式如MP3、MP4、RAM等壓縮效率更高的音頻文件格式，wav文件沒有采用壓縮技術(shù)，因而其文件要大很多，一般都在幾兆字節(jié)，甚至更大。但也正因為沒有采用壓縮技術(shù)，wav文件中聲音的采樣數(shù)據(jù)很容易被讀出來，便于做其他處理。例如：畫出聲音的信號波形、作出頻譜，進(jìn)行時域、頻域分析，提取語音信號的特征參數(shù)用于語音識別等?，F(xiàn)在的應(yīng)用程序幾乎都支持wav文件格式，也有專門軟件可以完成從wav文件格式向其他文件格式的轉(zhuǎn)換，或者把其他格式文件轉(zhuǎn)換為wav格式，例如，微軟公司的Adobe Audition。因此wav文件在目前仍然有著廣泛的應(yīng)用價值，有很多應(yīng)用程序仍然采用wav文件格式。

本文在Visual C++環(huán)境下編程實現(xiàn)了wav音頻文件的讀取，讀出其中的參數(shù)和音頻數(shù)據(jù)，以便進(jìn)一步用于特征參數(shù)提取、說話人識別等，并對TIMIT語音庫的語音文件進(jìn)行了讀取試驗驗證。

2 wav文件格式分析

2.1 wav文件格式

由于wav格式的波形文件是二進(jìn)制文件，用C語言編程對該文件讀取其中的數(shù)據(jù)，需要先了解它的格式。

wav格式是微軟公司開發(fā)的一種聲音文件格式，也叫波形文件，是最早的數(shù)字音頻文件格式，它具有RIFF（Resource Interchange File Format）格式。RIFF格式的wav文件由若干個Chunk（塊）組成，按順序為RIFF WAVE Chunk、Format Chunk、Fact Chunk（可選）和Data Chunk。每個塊都有固定而且類似的格式，一般第1部分是塊的ID，作為標(biāo)識，4個字節(jié)大小，緊跟其后的是該塊的大小，也是用4個字節(jié)表示，低字節(jié)表示低位，高字節(jié)表示高位；第3部分略有差異，以下分別詳細(xì)說明。

RIFF WAVE塊格式如表1所示：

Wav文件最開始4個字節(jié)是ID部分，其內(nèi)容為RIFF的ASCII碼，緊跟的4個字節(jié)是文件大?。ㄗ止?jié)數(shù)）減去ID 和Size所占字節(jié)數(shù)，共8個字節(jié)，即文件大?。ㄗ止?jié)數(shù)）減去8。然后是Type部分，其內(nèi)容為WAVE的ASCII碼，4個字節(jié)。

Format塊要復(fù)雜得多，其格式如表2所示：

其中ID部分同樣占4個字節(jié)，其內(nèi)容為"fmt "（注意最后有一個空格）的ASCII碼。

fact塊為可選的塊，有的波形文件有這個塊，有的沒有，其格式如表3所示：

有些wav文件是由某些軟件轉(zhuǎn)化來的，一般就包含該塊。其ID部分為fact的ASCII碼，緊跟的4個字節(jié)是存儲的是4，然后是data部分，其內(nèi)容為WAVE的ASCII碼，4個字節(jié)。

最后一個塊是Data塊，其格式如表4所示：

其ID部分為data的ASCII碼，緊跟的4個字節(jié)是音頻數(shù)據(jù)個數(shù)，然后是data部分，存儲的是具體的音頻數(shù)據(jù)。

2.2 wav文件示例

我用debug調(diào)試工具把一個wav二進(jìn)制文件調(diào)入內(nèi)存，再用該工具的顯示命令d，把其中部分內(nèi)容顯示出來，如圖1所示。

圖中，第1行的d是顯示命令，第2行的“1396：0100”是內(nèi)存地址，4個十六進(jìn)制數(shù)據(jù)“52 49 46 46”依次是"RIFF"4個字母的ASCII碼；緊跟的4個十六進(jìn)制數(shù)據(jù)“06 C7 03 00”實際上是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0x3C706，即十進(jìn)制數(shù)247558，該值等于整個wav文件大小減去8；再后面的4個十六進(jìn)制數(shù)據(jù)“57 41 56 45”依次是"WAVE"4個字母的ASCII碼；至此是第一個塊，即RIFF WAVE塊。

之后4個十六進(jìn)制數(shù)據(jù)“66 6D 74 20”依次是"fmt "3個字母加最后一個空格的ASCII碼，這表示Format塊開始；之后（第3行1396：0110） 4個十六進(jìn)制數(shù)據(jù)“10 00 00 00”實際上是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0x10，即十進(jìn)制數(shù)16，表示該塊的“Size”分布，由表2得知，該塊最后沒有附加信息；之后2個十六進(jìn)制數(shù)據(jù)“01 00”實際上是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0x1，即十進(jìn)制數(shù)1，根據(jù)表2，這是編碼方式；之后再2個十六進(jìn)制數(shù)據(jù)“01 00”同樣是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0x1，即十進(jìn)制數(shù)1，根據(jù)表2，這是聲道數(shù)目，1表示單聲道；之后4個十六進(jìn)制數(shù)據(jù)“44 AC 00 00”是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0xAC44，即十進(jìn)制數(shù)44100，根據(jù)表2，這是采樣頻率，即每秒鐘采集的樣本個數(shù)，單位為Hz；之后4個十六進(jìn)制數(shù)據(jù)“88 58 01 00”是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0x15888，即十進(jìn)制數(shù)88200，根據(jù)表2，這是每秒所需字節(jié)數(shù)；前面采樣頻率為44100，即每秒有44100個樣本數(shù)據(jù)，此處每秒需88200字節(jié)，顯然，每個采樣數(shù)據(jù)用2個字節(jié)來表示；之后2個十六進(jìn)制數(shù)據(jù)“02 00”（第4行1396：0120）是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0x2，即十進(jìn)制數(shù)2，根據(jù)表2，這是每個采樣數(shù)據(jù)需要的字節(jié)數(shù)，這和前面的分析結(jié)論一致；之后2個十六進(jìn)制數(shù)據(jù)“10 00”是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0x10，即十進(jìn)制數(shù)16，根據(jù)表2，這是每個采樣數(shù)據(jù)需要的二進(jìn)制位數(shù)，16位即2個字節(jié)；Format塊到此結(jié)束。

之后的4個十六進(jìn)制數(shù)據(jù)“64 61 74 61”（第4行1396：0120）依次是"data"4個字母的ASCII碼，此處是data塊開始；之后4個十六進(jìn)制數(shù)據(jù)“E2 C6 03 00”（第4行1396：0120）是一個數(shù)值，低位在前，高位在后，因此是十六進(jìn)制數(shù)0x3C6E2，即十進(jìn)制數(shù)247522，根據(jù)表4，這是采樣數(shù)據(jù)大小，以字節(jié)個數(shù)為單位；再后面就是具體的采樣數(shù)據(jù)，每個數(shù)據(jù)用2個字節(jié)表示，低位在前，高位在后。這個例子的wav文件沒有fact塊。

從圖1中看出，前面的采樣數(shù)據(jù)全為0，這是因為wav音頻文件一開始是靜音，沒有聲音。在進(jìn)一步用debug工具的d命令繼續(xù)往下顯示，如圖2所示。

從圖2可以看出，音頻文件有聲音的部分，其采樣數(shù)據(jù)就不是0。

3 編程實現(xiàn)

根據(jù)前面的分析和示例，我在Visual C++環(huán)境下用C語言編程實現(xiàn)了對wav音頻文件的音頻數(shù)據(jù)讀取。

由于wav二進(jìn)制文件結(jié)構(gòu)較復(fù)雜，先定義一個頭文件“wav.h”，在頭文件除了給出定義：

#ifndef _WAV_H_

#define _WAV_H_

更重要的是針對前面分析的四種塊，分別定義四種結(jié)構(gòu)體，第1個結(jié)構(gòu)體對應(yīng)RIFF WAVE塊：

struct RIFF_HEADER

{unsigned char szRiffID[4]； //R，I，F(xiàn)，F(xiàn)

unsigned int dwRiffSize； //4個字節(jié)顯示RIFF塊大小，

//其值等于WAV文件字節(jié)數(shù)-4（RIFFID字節(jié)數(shù)）-4（此處字節(jié)數(shù)）

unsigned char szRiffFormat[4]； }； //W，A，V，E

考慮到Format塊較復(fù)雜，定義了兩個結(jié)構(gòu)體來表示它：

struct FORMAT_Chunk

{unsigned short int wFormatTag； //2字節(jié)顯示編碼方式，一般為0x0001

unsigned short int wChannels； //2字節(jié)顯示聲道數(shù)目，1為單聲道，2為雙聲道

unsigned int dwSamplesPerSec； //4字節(jié)顯示采樣頻率

unsigned int dwAvgBytesPerSec； //4字節(jié)顯示每秒所需字節(jié)數(shù)

unsigned short int wBlockAlign； //2字節(jié)顯示數(shù)據(jù)塊對齊方式（每個采樣需要的字節(jié)數(shù)）

unsigned short int wBitsPerSample； //2字節(jié)顯示每個采樣需要的bit數(shù)

unsigned short int append_info； }； //附加信息

以及：

struct FMT_Chunk

{unsigned char szFmtID[4]； //f，m，t，

unsigned int dwFmtSize；//4字節(jié)，=16，=18有附加信息在FORMAT_Chunk的append_info

struct FORMAT_Chunk wavFormat；}；

第4個結(jié)構(gòu)體對應(yīng)fact塊：

struct FACT_Chunk

{unsigned char szFactID[4]； //f，a，c，t

unsigned int dwFactSize； }； //4字節(jié)顯示大?。〝?shù)值為4）

第5個結(jié)構(gòu)體對應(yīng)data塊：

struct DATA_Chunk

{unsigned char szDataID[4]； //d，a，t，a

unsigned int dwDataSize； }； //4字節(jié)顯示音頻數(shù)據(jù)塊大?。ㄗ止?jié)數(shù)），其后是音頻數(shù)據(jù)。

在頭文件定義了這些結(jié)構(gòu)體后，就可以在C++文件（.cpp文件）中編程，讀取wav文件中的音頻數(shù)據(jù)?？梢韵榷x一個文件指針：

FILE *wav_in；

以指向并打開音頻文件；再分別定義四種結(jié)構(gòu)體變量，文件位置指針等；再用fopen函數(shù)打開音頻文件，用fread函數(shù)依次讀取文件中的各個量，以及后面的音頻數(shù)據(jù)。fread函數(shù)可以一次讀取一個字節(jié)，也可以一次讀取一個結(jié)構(gòu)體的所有變量值，并自動移動文件指針，指向下一個需要讀取的位置。

4 語

用C語言編程讀取二進(jìn)制音頻文件內(nèi)容，比較復(fù)雜，但代碼效率高，得到音頻數(shù)據(jù)后，便于后面用C語言進(jìn)行進(jìn)一步的處理，例如，分幀、提取語音特征參數(shù)或進(jìn)行語音濾波等，這些工作在語音信號處理、語音識別中經(jīng)常用到。

參考文獻(xiàn)：

[1] Haitao Luo， Local Thresholding De-noise Speech Signal， Fifth International Conference on Digital Image Processing（ICDIP 2013）， 8878-48.

[2] 李敏.音頻文件格式WAVE的轉(zhuǎn)換[J].電腦知識與技術(shù)，2005（8）73-75.

[3] 徐濟(jì)仁.WAV文件格式實例分析[J].微型機(jī)與應(yīng)用，2002（3）：50-51.

[4] 舒廣，丁曉明，RIFF WAVE文件的結(jié)構(gòu)及應(yīng)用[J].電聲技術(shù)，200（1）：49-51.