羅海濤

摘要：音頻文件是把語(yǔ)音信號(hào)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(yǔ)音信號(hào)處理、語(yǔ)音識(shí)別、語(yǔ)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(yǔ)言編程，實(shí)現(xiàn)對(duì)該格式文件的訪問(wèn)，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(hào)：TP37 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）27-0211-03

1 概述

語(yǔ)言是人們之間進(jìn)行通訊和交流必不可少的手段。語(yǔ)音由人的發(fā)音器官發(fā)出，語(yǔ)音信號(hào)是連續(xù)的模擬信號(hào)，在用計(jì)算機(jī)來(lái)處理時(shí)，需要進(jìn)行數(shù)字化，包括采樣、量化等過(guò)程，轉(zhuǎn)換成離散的數(shù)字信號(hào)，保存在音頻文件中?，F(xiàn)在很多領(lǐng)域要求對(duì)語(yǔ)音信號(hào)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(hào)數(shù)據(jù)，進(jìn)行語(yǔ)音信號(hào)時(shí)域和頻域分析、語(yǔ)音壓縮、語(yǔ)音編碼、解碼、語(yǔ)音合成、語(yǔ)音識(shí)別、語(yǔ)音增強(qiáng)等，并通過(guò)波形觀察比較不同編碼效果。另外，利用多媒體語(yǔ)音系統(tǒng)我們還可以用語(yǔ)音數(shù)據(jù)和波形方便地進(jìn)行噪聲模擬分析，語(yǔ)音特征提取研究，以及語(yǔ)音識(shí)別和訓(xùn)練等應(yīng)用方面的實(shí)驗(yàn)。又如：在人工智能領(lǐng)域，通過(guò)設(shè)計(jì)軟件和硬件電路，用聲音去控制計(jì)算機(jī)工作，還有機(jī)器人通過(guò)語(yǔ)音與人進(jìn)行簡(jiǎn)單的對(duì)話交流等等。這些都要求我們對(duì)數(shù)字語(yǔ)音信號(hào)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(méi)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?yàn)闆](méi)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(lái)，便于做其他處理。例如：畫(huà)出聲音的信號(hào)波形、作出頻譜，進(jìn)行時(shí)域、頻域分析，提取語(yǔ)音信號(hào)的特征參數(shù)用于語(yǔ)音識(shí)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(mén)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(jià)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(shí)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(shuō)話人識(shí)別等，并對(duì)TIMIT語(yǔ)音庫(kù)的語(yǔ)音文件進(jìn)行了讀取試驗(yàn)驗(yàn)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(yǔ)言編程對(duì)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(kāi)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(gè)Chunk（塊）組成，按順序?yàn)镽IFF WAVE Chunk、Format Chunk、Fact Chunk（可選）和Data Chunk。每個(gè)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(shí)，4個(gè)字節(jié)大小，緊跟其后的是該塊的大小，也是用4個(gè)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(shuō)明。

RIFF WAVE塊格式如表1所示：

Wav文件最開(kāi)始4個(gè)字節(jié)是ID部分，其內(nèi)容為RIFF的ASCII碼，緊跟的4個(gè)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(gè)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(gè)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(gè)字節(jié)，其內(nèi)容為"fmt "（注意最后有一個(gè)空格）的ASCII碼。

fact塊為可選的塊，有的波形文件有這個(gè)塊，有的沒(méi)有，其格式如表3所示：

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

最后一個(gè)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(gè)字節(jié)是音頻數(shù)據(jù)個(gè)數(shù)，然后是data部分，存儲(chǔ)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(gè)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(lái)，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(gè)十六進(jìn)制數(shù)據(jù)“52 49 46 46”依次是"RIFF"4個(gè)字母的ASCII碼；緊跟的4個(gè)十六進(jìn)制數(shù)據(jù)“06 C7 03 00”實(shí)際上是一個(gè)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(gè)wav文件大小減去8；再后面的4個(gè)十六進(jìn)制數(shù)據(jù)“57 41 56 45”依次是"WAVE"4個(gè)字母的ASCII碼；至此是第一個(gè)塊，即RIFF WAVE塊。

之后4個(gè)十六進(jìn)制數(shù)據(jù)“66 6D 74 20”依次是"fmt "3個(gè)字母加最后一個(gè)空格的ASCII碼，這表示Format塊開(kāi)始；之后（第3行1396：0110） 4個(gè)十六進(jìn)制數(shù)據(jù)“10 00 00 00”實(shí)際上是一個(gè)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(méi)有附加信息；之后2個(gè)十六進(jìn)制數(shù)據(jù)“01 00”實(shí)際上是一個(gè)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(gè)十六進(jìn)制數(shù)據(jù)“01 00”同樣是一個(gè)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(gè)十六進(jìn)制數(shù)據(jù)“44 AC 00 00”是一個(gè)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(gè)數(shù)，單位為Hz；之后4個(gè)十六進(jìn)制數(shù)據(jù)“88 58 01 00”是一個(gè)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(gè)樣本數(shù)據(jù)，此處每秒需88200字節(jié)，顯然，每個(gè)采樣數(shù)據(jù)用2個(gè)字節(jié)來(lái)表示；之后2個(gè)十六進(jìn)制數(shù)據(jù)“02 00”（第4行1396：0120）是一個(gè)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(gè)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(gè)十六進(jìn)制數(shù)據(jù)“10 00”是一個(gè)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(gè)采樣數(shù)據(jù)需要的二進(jìn)制位數(shù)，16位即2個(gè)字節(jié)；Format塊到此結(jié)束。

之后的4個(gè)十六進(jìn)制數(shù)據(jù)“64 61 74 61”（第4行1396：0120）依次是"data"4個(gè)字母的ASCII碼，此處是data塊開(kāi)始；之后4個(gè)十六進(jìn)制數(shù)據(jù)“E2 C6 03 00”（第4行1396：0120）是一個(gè)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(gè)數(shù)為單位；再后面就是具體的采樣數(shù)據(jù)，每個(gè)數(shù)據(jù)用2個(gè)字節(jié)表示，低位在前，高位在后。這個(gè)例子的wav文件沒(méi)有fact塊。

從圖1中看出，前面的采樣數(shù)據(jù)全為0，這是因?yàn)閣av音頻文件一開(kāi)始是靜音，沒(méi)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(shí)現(xiàn)

根據(jù)前面的分析和示例，我在Visual C++環(huán)境下用C語(yǔ)言編程實(shí)現(xiàn)了對(duì)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(gè)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(duì)前面分析的四種塊，分別定義四種結(jié)構(gòu)體，第1個(gè)結(jié)構(gòu)體對(duì)應(yīng)RIFF WAVE塊：

struct RIFF_HEADER

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

unsigned int dwRiffSize； //4個(gè)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(gè)結(jié)構(gòu)體來(lái)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(duì)齊方式（每個(gè)采樣需要的字節(jié)數(shù)）

unsigned short int wBitsPerSample； //2字節(jié)顯示每個(gè)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(gè)結(jié)構(gòu)體對(duì)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(gè)結(jié)構(gòu)體對(duì)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(gè)文件指針：

FILE *wav_in；

以指向并打開(kāi)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(kāi)音頻文件，用fread函數(shù)依次讀取文件中的各個(gè)量，以及后面的音頻數(shù)據(jù)。fread函數(shù)可以一次讀取一個(gè)字節(jié)，也可以一次讀取一個(gè)結(jié)構(gòu)體的所有變量值，并自動(dòng)移動(dòng)文件指針，指向下一個(gè)需要讀取的位置。

4 語(yǔ)

用C語(yǔ)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(yǔ)言進(jìn)行進(jìn)一步的處理，例如，分幀、提取語(yǔ)音特征參數(shù)或進(jìn)行語(yǔ)音濾波等，這些工作在語(yǔ)音信號(hào)處理、語(yǔ)音識(shí)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(shí)與技術(shù)，2005（8）73-75.

[3] 徐濟(jì)仁.WAV文件格式實(shí)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.