当前位置： 首页 > news >正文

嵌入式系统中WAV音频文件格式详解与处理实践

news 来源：原创 2025/5/15 9:16:40

​ WAV (Waveform Audio File Format) 文件是一种非常常见的数字音频格式，由微软和IBM联合开发，广泛应用于Windows、Macintosh和Linux等操作系统。它能够直接存储声音波形，因此也被称为波形文件。它基于 RIFF (Resource Interchange File Format) 文件结构。

1. 核心概念：RIFF 和 Chunks (块)

​ 理解 WAV 必须先理解 RIFF。RIFF 是一种通用的文件容器格式，它将文件内容组织成一个个带有标签和大小信息的 块 (Chunks)。

一个基本的 RIFF 块结构如下：

  1. Chunk ID (4 字节): 一个 4 字符的代码（通常是 ASCII），用于标识块的类型 (例如 ‘RIFF’, 'fmt ', ‘data’)。
  2. Chunk Size (4 字节): 一个 32 位无符号整数（小端字节序），表示紧随其后的数据部分的大小（字节数），不包括 Chunk ID 和 Chunk Size 自身这 8 个字节。
  3. Chunk Data (可变大小): 实际的数据内容，其大小由前面的 Chunk Size 字段指定。如果数据大小是奇数，通常会填充一个字节 (值为 0) 使其总大小为偶数，但这填充字节不计入 Chunk Size。

2. WAV 文件的整体结构

2.1 WAV 文件的基本头部

WAV 文件本身就是一个 RIFF 文件，其最外层的块具有以下特征：

  1. Chunk ID: 固定为 'RIFF' (0x52494646)。
  2. Chunk Size: 整个文件的大小减去 8 字节（即减去 ‘RIFF’ ID 和这个 Size 字段本身的大小）。
  3. Format (4 字节): 紧随 Chunk Size 之后，固定为 'WAVE' (0x57415645)。这标识了该 RIFF 文件是用于存储波形音频的。

所以，一个 WAV 文件的开头总是 RIFF <文件大小-8> WAVE。

2.2 WAV 文件内部的 Chunks

​ 在 'WAVE' 标识符之后，包含了一系列的子块 (Sub-chunks)，每个子块也遵循 Chunk ID + Chunk Size + Chunk Data 的结构。对于一个标准的 PCM (未压缩) WAV 文件，最重要的两个子块是**fmt 块 (Format Chunk)😗* 描述音频数据的格式, data 块 (Data Chunk): 包含实际的音频样本数据：

  1. 格式块 (fmt Chunk):

    • Chunk ID: 'fmt ' (注意末尾有个空格，0x666d7420)。
    • Chunk Size: 描述了 fmt 块数据部分的大小。对于标准的 PCM 格式，这通常是 16 字节。但对于非 PCM 格式或扩展格式，可能更大。
    • Chunk Data (以标准 16 字节 PCM 为例):
      • AudioFormat (2 字节): 音频数据的格式代码。1 表示 PCM (线性量化，即未压缩)。其他值表示不同的压缩格式（如 ADPCM）。
      • NumChannels (2 字节): 声道数。1 = 单声道 (Mono)，2 = 立体声 (Stereo)，等等。
      • SampleRate (4 字节): 采样率 (Hz)。每秒钟对一个声道采集的样本数，例如 8000, 16000, 44100, 48000。
      • ByteRate (4 字节): 字节率（每秒数据字节数）。计算公式：SampleRate * NumChannels * BitsPerSample / 8。这个值对于播放时的缓冲很重要。
      • BlockAlign (2 字节): 块对齐值。表示包含所有声道的一个“原子”采样单元所需的总字节数。计算公式：NumChannels * BitsPerSample / 8。播放器通常需要一次性处理至少 BlockAlign 字节的数据。
      • BitsPerSample (2 字节): 位深度。每个样本点使用的位数，例如 8, 16, 24, 32。决定了音频的动态范围。
    • 注意: 如果 Chunk Size 大于 16，后面可能跟着扩展信息，例如对于非 PCM 格式，会有一个 Extra Format Bytes 字段。

  2. 数据块 (data Chunk):

    • Chunk ID: 'data' (0x64617461)。
    • Chunk Size: 音频数据的总大小（字节数）。等于 文件总样本数 * BlockAlign。
    • Chunk Data: 包含了实际的、原始的音频样本数据。
      • 数据类型:
        • 8 位样本 (BitsPerSample=8): 通常是无符号字节 (unsigned char)，范围 0-255，静音值为 128。
        • 16 位样本 (BitsPerSample=16): 通常是有符号短整型 (signed short)，范围 -32768 到 32767，静音值为 0。
        • 24/32 位样本：通常是有符号整数。
      • 声道交错: 对于多声道音频（如立体声），样本是交错存储的。例如，一个 16 位立体声文件的数据会像这样排列：[左声道样本1 (2字节)] [右声道样本1 (2字节)] [左声道样本2 (2字节)] [右声道样本2 (2字节)] ...。每个 (左, 右) 对构成一个 BlockAlign（这里是 4 字节）。
      • 字节序: 对于多字节样本（16位、24位、32位），WAV 文件普遍使用小端字节序 (Little-Endian)。即最低有效字节在前。例如，16 进制值 0x1234 存储为 34 12。

其他可能的 Chunks

除了 fmt 和 data 这两个必需块之外，WAV 文件还可以包含其他可选块，例如：

  • fact Chunk: 对于非 PCM 格式，通常需要 fact 块来存储文件的总样本帧数。PCM 格式不需要它。
  • LIST Chunk: 用于存储元数据（Metadata），如标题、艺术家、版权信息等。常见的 LIST 类型有 INFO（信息列表）和 adtl（关联数据列表，如提示点、标签）。
  • bext Chunk (Broadcast Wave Extension): 包含了广播行业常用的信息，如时间码、响度值等。BWF (Broadcast Wave Format) 是 WAV 的一个扩展。
  • cue Chunk: 存储提示点（Cue points），用于标记文件中的特定位置。
  • 以及其他自定义块。

3. WAV 文件结构示意图

一个典型的 PCM (脉冲编码调制，即未压缩) WAV 文件结构大致如下：

+-------------------+
| 'RIFF' (ID)       | 4 bytes
| ChunkSize         | 4 bytes (整个文件大小 - 8 bytes)
| 'WAVE' (Format)   | 4 bytes
+-------------------+ <-- RIFF Chunk Header
| 'fmt ' (ID)       | 4 bytes
| Subchunk1Size     | 4 bytes (fmt chunk 的大小, 通常是 16 for PCM)
| AudioFormat       | 2 bytes (1 = PCM)
| NumChannels       | 2 bytes (1 = Mono, 2 = Stereo, etc.)
| SampleRate        | 4 bytes (采样率, e.g., 44100 Hz)
| ByteRate          | 4 bytes (SampleRate * NumChannels * BitsPerSample / 8)
| BlockAlign        | 2 bytes (NumChannels * BitsPerSample / 8)
| BitsPerSample     | 2 bytes (每个样本的位数, e.g., 8, 16, 24)
| (Optional Extra)  | (扩展 fmt chunk 可能有)
+-------------------+ <-- fmt Chunk
| (Optional Chunks) | (e.g., 'LIST', 'fact')
| ...               |
+-------------------+
| 'data' (ID)       | 4 bytes
| Subchunk2Size     | 4 bytes (音频数据的总大小，字节数)
|                   |
| Audio Data        | Subchunk2Size bytes
| (Actual Samples)  |
| ...               |
+-------------------+ <-- data Chunk

4.基于 C 语言对 .wav 格式音频的解析

// WAV文件基本头部结构体
typedef struct {char            riff[4];        // "RIFF"标识uint32_t        file_size;      // 整个文件的大小-8char            wave[4];        // "WAVE"标识
} wav_riff_header_t;// WAV文件格式块结构体
typedef struct {char            fmt_id[4];       // "fmt "标识uint32_t        fmt_size;        // 格式块大小uint16_t        audio_format;    // 音频格式，PCM=1uint16_t        num_channels;    // 通道数，单声道=1，双声道=2uint32_t        sample_rate;     // 采样率，如44100uint32_t        byte_rate;       // 每秒字节数uint16_t        block_align;     // 数据块对齐uint16_t        bits_per_sample; // 采样精度，8/16/24/32位
} wav_fmt_header_t;// WAV块通用结构
typedef struct {char            id[4];           // 块ID，如"data"uint32_t        size;            // 块大小
} wav_chunk_header_t;// 解析WAV文件并定位到数据块
bool parse_wav_file(FILE *file, wav_info_t *info) {// 读取RIFF头wav_riff_header_t riff_header;if (fread(&riff_header, 1, sizeof(wav_riff_header_t), file) != sizeof(wav_riff_header_t)) {ESP_LOGE(TAG, "读取RIFF头失败");return false;}// 验证RIFF和WAVE标识if (strncmp(riff_header.riff, "RIFF", 4) != 0 || strncmp(riff_header.wave, "WAVE", 4) != 0) {ESP_LOGE(TAG, "无效的WAV文件 - 缺少RIFF/WAVE标识");return false;}bool found_fmt = false;bool found_data = false;wav_fmt_header_t fmt_header;// 扫描文件中的块，直到找到fmt和data块while (!found_data) {wav_chunk_header_t chunk_header;if (fread(&chunk_header, 1, sizeof(wav_chunk_header_t), file) != sizeof(wav_chunk_header_t)) {if (feof(file)) {ESP_LOGE(TAG, "到达文件末尾但未找到data块");return false;}ESP_LOGE(TAG, "读取块头失败");return false;}ESP_LOGI(TAG, "发现块: %.4s, 大小: %lu字节", chunk_header.id, chunk_header.size);if (strncmp(chunk_header.id, "fmt ", 4) == 0) {// 这是格式块if (fread(&fmt_header.audio_format, 1, chunk_header.size > sizeof(fmt_header) - 8 ? sizeof(fmt_header) - 8 : chunk_header.size, file) < 16) {ESP_LOGE(TAG, "读取fmt块失败");return false;}found_fmt = true;// 如果fmt块大于我们读取的部分，跳过余下部分if (chunk_header.size > sizeof(fmt_header) - 8) {fseek(file, chunk_header.size - (sizeof(fmt_header) - 8), SEEK_CUR);}// 验证音频格式是PCMif (fmt_header.audio_format != 1) {ESP_LOGE(TAG, "不支持的WAV格式 - 仅支持PCM格式 (格式代码: %d)", fmt_header.audio_format);return false;}// 保存音频信息info->audio_format = fmt_header.audio_format;info->num_channels = fmt_header.num_channels;info->sample_rate = fmt_header.sample_rate;info->bits_per_sample = fmt_header.bits_per_sample;ESP_LOGI(TAG, "WAV信息 - 采样率: %lu, 位宽: %d, 通道数: %d", info->sample_rate, info->bits_per_sample, info->num_channels);} else if (strncmp(chunk_header.id, "data", 4) == 0) {// 这是数据块info->data_size = chunk_header.size;found_data = true;ESP_LOGI(TAG, "找到data块，大小: %lu字节", info->data_size);break; // 找到数据块，可以开始播放} else {// 其他块，跳过ESP_LOGI(TAG, "跳过未知块: %.4s", chunk_header.id);if (fseek(file, chunk_header.size, SEEK_CUR) != 0) {ESP_LOGE(TAG, "跳过未知块失败");return false;}}}if (!found_fmt) {ESP_LOGE(TAG, "未找到fmt块");return false;}return found_data;
}

以上是一段嵌入式系统基于 C 语言的经典对wav音频格式的解析,以下是执行结果示例:

在这里插入图片描述

4. WAV 格式的变种

  • PCM (Pulse Code Modulation): 最常见，存储未压缩的原始音频样本。

  • ADPCM (Adaptive Differential Pulse Code Modulation): 一种压缩格式，文件尺寸较小，但音质有损。

  • IEEE Float: 使用浮点数存储样本，通常用于音频处理中间阶段，提供更大的动态范围。

  • MPEG Layer-3 (MP3): 虽然不常见，但技术上 WAV 容器也可以包含 MP3 编码的数据。

  • Extensible Format: 为了克服 fmt 块的一些限制（例如支持超过 2 声道、更高的位深度/采样率、更精确的声道映射），引入了可扩展格式。它使用更大的 fmt 块 (通常 Chunk Size 为 40 字节)，包含一个 SubFormat GUID 来精确指定编码类型。

PCM 优缺点

  • 优点:

    • 音质 (PCM): 未压缩的 PCM 格式能提供无损的原始音频质量。

    • 简单性: 结构相对简单，易于解析和处理。

    • 广泛支持: 尤其是在 Windows 和专业音频软件中得到极好的支持。

  • 缺点:

    • 文件大小 (PCM): 未压缩导致文件体积巨大。

5. 嵌入式系统处理 WAV 音频流程

  1. 系统与外设初始化：

    • 文件系统初始化：如果WAV文件存储在SD卡、Flash等外部存储器上，需要先初始化对应的文件系统（如FATFS）。
    • 音频输出接口初始化 (如I2S、DAC)：
      • 配置GPIO引脚用于音频数据传输（如BCK, WS/LRC, DATA_OUT）。
      • 设置音频参数：模式（主/从，发送/接收）、采样率、位深度、声道格式。
      • 配置DMA（直接内存访问）：设置DMA缓冲区数量和大小，以实现后台数据传输，减轻CPU负担。
      • 安装并启动音频驱动。

  2. 打开WAV文件：

    • 根据提供的文件名（可能需要拼接完整路径，如挂载点前缀）以二进制只读模式 ("rb") 打开WAV文件。
    • 检查文件是否成功打开，如果失败则进行错误处理（如打印错误日志、返回错误码）。

  3. 解析WAV文件头部信息：

    • 读取并验证RIFF头：
      • 使用 fread 读取文件开头的 wav_riff_header_t 结构体。
      • 检查RIFF标识是否为 "RIFF"，WAVE标识是否为 "WAVE"。如果不是，则文件格式无效。
    • 查找并解析"fmt "块 (Format Chunk)：
      • 循环读取块头 (wav_chunk_header_t)，获取块ID和块大小。
      • 当找到ID为 "fmt " 的块时：
        • 使用 fread 读取 fmt 块的内容到 wav_fmt_header_t 结构体中（或至少读取其核心参数部分）。
        • 关键信息提取：获取采样率 (sample_rate)、声道数 (num_channels)、采样位深度 (bits_per_sample)、音频格式 (audio_format)。
        • 格式验证：检查 audio_format 是否为PCM (通常为1)，因为嵌入式系统通常直接处理PCM数据。如果不是支持的格式，则报错。
        • 如果 fmt 块的大小超出了结构体预期的大小（可能有扩展字段），使用 fseek 跳过剩余部分。
    • 查找并记录"data"块 (Data Chunk)：
      • 继续循环读取块头。
      • 当找到ID为 "data" 的块时：
        • 记录该块的大小 (info->data_size)，这就是实际音频数据的总长度。
        • 此时，文件指针已经定位在音频数据的起始位置，准备开始读取数据进行播放。
      • 如果找到 “data” 块，则头部解析成功。
    • 处理其他块：对于不关心的块（如 “LIST”, “INFO”, “fact” 等），读取其块头后，使用 fseek(file, chunk_header.size, SEEK_CUR) 跳过该块的数据内容。
    • 如果未找到 "fmt " 块或 “data” 块，则认为WAV文件无效或损坏。

  4. (可选) 动态调整音频输出接口配置：

    • 将从WAV文件 "fmt " 块中解析出的音频参数（采样率、位深度）与当前音频输出接口（如I2S）的配置进行比较。
    • 如果参数不匹配（例如，WAV是44.1kHz，而I2S当前配置为48kHz）：
      • 卸载当前的音频驱动。
      • 使用从WAV文件获取的新参数更新音频接口的配置结构体。
      • 重新初始化并启动音频驱动。
    • 这一步确保了音频数据能以正确的速率和格式播放，避免声音失真。

  5. 分配音频数据缓冲区：

    • 使用 malloc (或其他内存分配函数) 分配一个或多个缓冲区，用于从WAV文件读取音频数据，然后传递给音频输出接口。缓冲区大小通常是根据DMA能力和系统内存来确定的（例如几KB）。
    • (可选) 分配转换缓冲区：如果WAV文件的声道数或位深度与音频输出接口硬件直接支持的不完全一致（例如，WAV是单声道，而I2S配置为双声道输出），可能需要一个额外的缓冲区来进行格式转换。

  6. 循环读取和播放音频数据：

    • 进入一个循环，直到满足以下任一条件：
      • 已播放的字节数达到 “data” 块中声明的音频数据总大小。
      • fread 返回0或错误，表示已到达文件末尾或发生读取错误。
    • 从文件读取数据：在循环中，使用 fread 从WAV文件读取一块数据到主缓冲区。
    • (可选) 音频数据处理/转换：
      • 声道转换：如果WAV是单声道，而输出需要双声道，则将单声道样本复制到左右声道。例如，对于16位PCM，将每个单声道样本 s 变为 s, s。
      • 位深度转换：较少见，但如果需要，也在此处处理。
      • 音量控制/DSP效果：如果需要，也可以在此阶段对样本数据进行处理。
    • 向音频输出接口写入数据：
      • 将准备好的数据（可能是原始读取的，也可能是转换后的）通过音频接口的写入函数（如 i2s_write）发送出去。
      • 获取实际写入的字节数，用于流量控制和错误检查。
    • 更新已播放字节数。
    • 任务调度：在循环中可以加入适当的延时 (vTaskDelay)，以允许其他任务运行，避免长时间占用CPU。

  7. 播放完成与资源清理：

    • 当循环结束（播放完毕或出错）后：
      • 检查 ferror(file) 确定是否因文件读取错误退出。
      • (可选) 等待DMA缓冲区清空：确保所有已写入音频接口的数据都被硬件实际播放出去。可以调用特定函数清零DMA缓冲或简单延时。
      • 释放内存：使用 free 释放之前分配的所有缓冲区。
      • 关闭文件：使用 fclose 关闭WAV文件。
      • 卸载/关闭音频接口：如果不再需要，可以卸载音频驱动，释放相关硬件资源。

  8. 错误处理：

    • 在流程的每一步都应有适当的错误检测和处理机制。
    • 发生错误时，记录日志，释放已分配的资源，并返回相应的错误代码。
      。
      • (可选) 等待DMA缓冲区清空：确保所有已写入音频接口的数据都被硬件实际播放出去。可以调用特定函数清零DMA缓冲或简单延时。
      • 释放内存：使用 free 释放之前分配的所有缓冲区。
      • 关闭文件：使用 fclose 关闭WAV文件。
      • 卸载/关闭音频接口：如果不再需要，可以卸载音频驱动，释放相关硬件资源。

  9. 错误处理：

    • 在流程的每一步都应有适当的错误检测和处理机制。
    • 发生错误时，记录日志，释放已分配的资源，并返回相应的错误代码。

相关文章：

  • 【CustomPagination：基于Vue 3与Element Plus的高效二次封装分页器】
  • Lightpanda开源浏览器：专为 AI 和自动化而设计的无界面浏览器
  • 安卓基础（Bitmap）
  • scons user 3.1.2
  • C#强类型枚举的入门理解
  • C++【STL】(2)string
  • 4级流程控制
  • 复现：DemoGen 用于数据高效视觉运动策略学习的 合成演示生成 (RSS) 2025
  • Docker 常见问题及其解决方案
  • nginx报错-[emerg] getpwnam(“nginx“) failed in /etc/nginx/nginx.conf:2
  • FastAPI + OpenAI 模型 的 GitHub 项目结构模板
  • 未来软件开发趋势与挑战
  • Python+Selenium爬虫：豆瓣登录反反爬策略解析
  • C#调用C++dll 过程记录
  • 【VS】VS2019中使用rdlc报表，生成之前修改XML
  • 【每天一个知识点】模型轻量化（Model Compression and Acceleration）技术
  • 解释 RESTful API
  • 数据结构学习之链表学习：单链表
  • Linux笔记---信号(中)
  • AIGC与数字媒体实验室解决方案分享
  • 向猫学习禅修之后，你会发现将生活降格为劳作是多么愚蠢
  • 法治日报整版聚焦：儿童能否成为短视频主角？该如何监管？
  • 工人日报评规范隐藏式车门把手：科技美学须将安全置顶
  • 城事 | 重庆新增热门打卡地标，首座熊猫主题轨交站亮相
  • 中方发布会：中美经贸高层会谈氛围是坦诚的、深入的、具有建设性的
  • 竞彩湃｜德甲欧冠资格竞争白热化，伯恩茅斯主场迎恶战