快捷導(dǎo)航

詳解RIFF和WAVE音頻文件格式

更新時間：2022年01月26日 13:01:03 作者：Brook_icv

本文主要介紹了RIFF文件的格式和WAV音頻文件格式，為后面實現(xiàn)對WAVE文件的讀寫打一個理論基礎(chǔ)。后面打算使用C++標準庫，實現(xiàn)對WAV文件的讀寫

RIFF file format

RIFF全稱為資源互換文件格式（Resources Interchange File Format），是Windows下大部分多媒體文件遵循的一種文件結(jié)構(gòu)。RIFF文件所包含的數(shù)據(jù)類型由該文件的擴展名來標識，能以RIFF格式存儲的數(shù)據(jù)有：

音頻視頻交錯格式數(shù)據(jù) .AVI
波形格式數(shù)據(jù) .WAV
位圖數(shù)據(jù)格式 .RDI
MIDI格式數(shù)據(jù) .RMI
調(diào)色板格式 .PAL
多媒體電影 .RMN
動畫光標 .ANI
其他的RIFF文件 .BND

CHUNK

chunk是RIFF文件的基本單元，其基本結(jié)構(gòu)如下：

struct chunk
{
	uint32_t id;   // 塊標志
	uint32_t size; // 塊大小
	uint8_t data[size]; // 塊數(shù)據(jù)
};

id 4字節(jié)，用以標識塊中所包含的數(shù)據(jù)。如：RIFF,LIST,fmt,data,WAV,AVI等，由于這種文件結(jié)構(gòu) 最初是由Microsoft和IBM為PC機所定義，RIFF文件是按照小端 little-endian字節(jié)順序?qū)懭氲摹?/li>
size 塊大小存儲在data域中的數(shù)據(jù)長度，不包含id和size的大小
data 包含數(shù)據(jù)，數(shù)據(jù)以字為單位存放，如果數(shù)據(jù)長度為奇數(shù)（字節(jié)為單位），則最后添加一個空字節(jié)。

chunk是可以嵌套的，但是只有塊標志為RIFF或者LIST的chunk才能包含其他的chunk。

RIFF chunk

標志為RIFF的chunk是比較特殊的，每一個RIFF文件首先存放的必須是一個RIFF chunk，并且只能有這一個標志為RIFF的chunk。RIFF的數(shù)據(jù)域的起始位置是一個4字節(jié)碼（FOURCC），用于標識其數(shù)據(jù)域中chunk的數(shù)據(jù)類型；緊接著數(shù)據(jù)域的內(nèi)容則是包含的subchunk，如下圖

這是一個RIFF chunk中包含有兩個subchunk，可以看出RIFF chunk的數(shù)據(jù)域首先是是4字節(jié)的 Form Type，接著是兩個subchunk，每一個subchun有包含有自己的標識、數(shù)據(jù)域的大小以及數(shù)據(jù)域。
除了RIFF cunk可以嵌套其他的chunk外，另一個可以有subchunk的就是LIST chunk。

上圖中，首先是RIFF文件必須的RIFF chunk，其數(shù)據(jù)域又包含有兩個subchunk，其中一個subchunk的類型為LIST，該LIST chunk又包含了兩個subchunk。

FourCC

FourCC 全稱為Four-Character Codes，是一個4字節(jié)32位的標識符，通常用來標識文件的數(shù)據(jù)格式。例如，在音視頻播放器中，可以通過文件的FourCC來決定調(diào)用那種CODEC進行視音頻的解碼。例如：DIV3,DIV4,DIVX,H264等，對于音頻則有：WAV,MP3等。對于上面的RIFF文件，則有：RIFF,WAVE,fmt,data等。FourCC是4個ASCII字符，不足四個字符的則在最后補充空格（不是空字符）。比如，F(xiàn)ourCC fmt，實際上是'f' 'm' 't' ' '。
FourCC的生成通?？梢允褂萌缦潞辏?/p>

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

在程序中還是不要使用太長的宏為好，在C++中可以使用模板和enum結(jié)合的方式。來保證在編譯時期就能夠?qū)ourCC生成出來。

#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;

將字符常量傳入模板，在結(jié)構(gòu)體中聲明一個enum，編譯器會在編譯時期確定枚舉值，這樣就能給保證FOURCC在編譯就能生成出來。

WAV file

WAV 是Microsoft開發(fā)的一種音頻文件格式，它符合上面提到的RIFF文件格式標準，可以看作是RIFF文件的一個具體實例。既然WAV符合RIFF規(guī)范，其基本的組成單元也是chunk。一個WAV文件通常有三個chunk以及一個可選chunk，其在文件中的排列方式依次是：RIFF chunk，F(xiàn)ormat chunk，F(xiàn)act chunk（附加塊，可選），Data chunk。

一個WAV文件，首先是一個RIFF chunk；RIFF chunk又包含有Format chunk，Data chunk以及可選的Fact chunk。各個chunk中字段的意義如下：

RIFF chunk
id
FOURCC 值為'R' 'I' 'F' 'F'
size
其data字段中數(shù)據(jù)的大小字節(jié)數(shù)
data
包含其他的chunk
Format chunk
id
FOURCC 值為 'f' 'm' 't' ' '
size
數(shù)據(jù)字段包含數(shù)據(jù)的大小。如無擴展塊，則值為16；有擴展塊，則值為= 16 + 2字節(jié)擴展塊長度 + 擴展塊長度或者值為18（只有擴展塊的長度為2字節(jié)，值為0）
data

存放音頻格式、聲道數(shù)、采樣率等信息
format_tag
2字節(jié)，表示音頻數(shù)據(jù)的格式。如值為1，表示使用PCM格式。
channels
2字節(jié)，聲道數(shù)。值為1則為單聲道，為2則是雙聲道。
samples_per_sec
采樣率，主要有22.05KHz，44.1kHz和48KHz。
bytes_per sec
音頻的碼率，每秒播放的字節(jié)數(shù)。samples_per_sec * channels * bits_per_sample / 8，可以估算出使用緩沖區(qū)的大小
block_align
數(shù)據(jù)塊對齊單位，一次采樣的大小，值為聲道數(shù) * 量化位數(shù) / 8，在播放時需要一次處理多個該值大小的字節(jié)數(shù)據(jù)。
bits_per_sample
音頻sample的量化位數(shù)，有16位，24位和32位等。
cbSize
擴展區(qū)的長度
擴展塊內(nèi)容
22字節(jié)，具體介紹，后面補充。

Fact chunk(option)
id
FOURCC 值為 'f' 'a' 'c' 't'
size
數(shù)據(jù)域的長度，4（最小值為4）
采樣總數(shù) 4字節(jié)
Data chunk
id

FOURCC 值為'd' 'a' 't' 'a'

size

數(shù)據(jù)域的長度

data

具體的音頻數(shù)據(jù)存放在這里

采用壓縮編碼的WAV文件，必須要有Fact chunk，該塊中只有一個數(shù)據(jù)，為每個聲道的采樣總數(shù)。

Format chunk 中的編碼方式

在Format chunk中，除了有音頻的數(shù)據(jù)的采樣率、聲道等音頻的屬性外，另一個比較主要的字段就是format_tag，該字段表示音頻數(shù)據(jù)是以何種方式編碼存放的。其具體的取值可以為以下：

0x0001

WAVE_FORMAT_PCM，采用PCM格式

0x0003

WAVE_FORMAT_IEEE_FLOAT，存放的值為IEEE float，范圍為[-1.0f,1.0f]

0x0006

WAVE_FORMAT_ALAW , 8bit ITU-T G.711 A-law

0x0007

WAVE_FORMAT_MULAW,8bit ITU-T G.711 μ-law

0XFFFE

WAVE_FORMAT_EXTENSIBLE，具體的編碼方式有擴展區(qū)的 sub_format字段決定

關(guān)于擴展格式塊

當(dāng)WAV文件使用的不是PCM編碼方式是，就需要擴展格式塊，它是在基本的Format chunk又添加一段數(shù)據(jù)。該數(shù)據(jù)的前兩個字節(jié)，表示的擴展塊的長度。緊接其后的是擴展的數(shù)據(jù)區(qū)，含有擴展的格式信息，其具體的長度取決于壓縮編碼的類型。當(dāng)某種編碼方式（如 ITU G.711 a-law）使擴展區(qū)的長度為0，擴展區(qū)的長度字段還必須保留，只是其值設(shè)置為0。
擴展區(qū)的各個字節(jié)的含義如下：

size 2字節(jié)
擴展區(qū)的數(shù)據(jù)長度，可以為0或22

valid_bits_per_sample 2字節(jié)

有效的采樣位數(shù)，最大值為采樣字節(jié)數(shù) * 8?？梢允褂酶`活的量化位數(shù)，通常音頻sample的量化位數(shù)為8的倍數(shù)，但是使用了WAVE_FORMAT_EXTENSIBLE時，量化的位數(shù)有擴展區(qū)中的valid bits per sample來描述，可以小于Format chunk中制定的bits per sample。

channle mask 4字節(jié)

聲道掩碼

sub format 16字節(jié)

GUID，include the data format code，數(shù)據(jù)格式碼。

在Format chunk中的format_tag設(shè)置為0xFFFE時，表示使用擴展區(qū)中的sub_format來決定音頻的數(shù)據(jù)的編碼方式。在以下幾種情況下必須要使用WAVE_FORMAT_EXTENSIBLE

PCM數(shù)據(jù)的量化位數(shù)大于16
音頻的采樣聲道大于2
實際的量化位數(shù)不是8的倍數(shù)
存儲順序和播放順序不一致，需要指定從聲道順序到聲卡播放順序的映射情況。

Data chunk

Data塊中存放的是音頻的采樣數(shù)據(jù)。每個sample按照采樣的時間順序?qū)懭?，對于使用多個字節(jié)的sample，使用小端模式存放（低位字節(jié)存放在低地址，高位字節(jié)存放在高地址）。對于多聲道的sample采用交叉存放的方式。例如：立體雙聲道的sample存儲順序為：聲道1的第一個sample，聲道2的第一個sample；聲道1的第二個sample，聲道2的第二個sample；依次類推....。對于PCM數(shù)據(jù)，有以下兩種的存儲方式：