Wave 文件格式解析

创建时间 2019-05-03
更新时间 2019-07-30
分类
计算机技术
标签
音频处理 Python

基本概念

关于音频文件，有几个基础的概念需要说明一下：

位数 音频量化位数，采样的精度。与位图的位数相对，一般的8位位图，总共有 0~255 个灰度值，RGB色彩格式表示了 RGB这三种颜色，各个颜色的颜色深度。而音频是录音设备在特定的时刻记录当时空气的张力值，可以这么理解吧。16位深度的录音设备可以保存的范围是 0~65535，所以声音震动产生的张力总会被量化到这个范围中，准确性会因为量化而有所损失。

采样率 每秒钟的采样数量，通常为 41000 Hz，或者 48000 Hz，人耳能听到的频率为 20 ~ 20000 Hz，而成年人一般只能听到 30 ~ 15000 Hz 所以 41000 Hz 的音频完全可以满足人耳的需要。采样率表示了，录音设备每秒采集数据的次数，也就是bit 位数，每秒采集相应次数的数值，用来记录一秒内声音张力的变化。

声道 声轨的数量，一般位为单声道或者立体声

码率（比特率） 每秒播放的字节数，可以估计出缓冲区大小，也就是 位数 * 采样率

wave 格式简介

wave 是微软和IBM定义的PC机存储音频文件的标准，它使用 Resource Interchange File Format RIFF 来存储信息。

wave 文件头解析

wav-sound-format.gif

如图所示，wave文件头包含以下信息：

属性 长度（字节） 解释
ChunkID 4 ASCII 表示的 RIFF (0x52494646)
ChunkSize 4 32 + Subchunk2Size
Format 4 ASCII 表示的 WAVE (0x57415645)
Subchunk1ID 4 新的数据块（格式信息说明块）ASCII码表示的 fmt (0x666d7420)，最后一个是空格
Subchunk1Size 4 本块数据的大小，(对于PCM, 值为16)
AudioFormat 2 PCM = 1
NumChannels 2 声道数 1 = 单声道，2 = 立体声
SampleRate 4 采样率
ByteRate 4 码率 SampleRate * NumChannels * BitsPerSample / 8
BlockAlign 2 NumChannels * BitsPersample
BitsPerSample 2 采样位数
Subchunk2ID 4 新数据块，真正的声音数据，ASCII 码表示的 data (0x64617461)
Subchunk2Size 4 数据大小，即后面 data 的大小
data Subchunk2Size 实际音频数据

如图和表格所示：

ChunkID，ChunkSize，Format 共同表示了这个文件是 WAVE 文件它由两部分组成，格式块(fmt)和数据块(data)

Subchunk1ID，Subchunk1Size，AudioFormat，NumChannels，SampleRate，ByteRate，BlockAlign，BitsPerSample 是格式块的属性，共同决定了音频文件的格式信息

Subchunk2ID，Subchunk2Size，data 就是实际的数据了

wave 数据解析

下面是一个 72 字节的 wave 文件的解析，该文件采用PCM编码，音频双声道，每个样点进行16位量化编码，一个样点占4个字节，左右声道交替存储。

52 49 46 46 24 08 00 00 57 41 56 45 66 6d 74 20 10 00 00 00 01 00 02 00 
22 56 00 00 88 58 01 00 04 00 10 00 64 61 74 61 00 08 00 00 00 00 00 00 
24 17 1e f3 3c 13 3c 14 16 f9 18 f9 34 e7 23 a6 3c f2 24 f2 11 ce 1a 0d

wave文件默认的字节序是小端存储的，如果文件使用大端存储，则需要使用 RIFX 替换 RIFF。

再看数据格式，由于编码为位数为16，所以每个数据有两个字节组成，前两个字节为左声道，后两个字节为右声道。

这里的值是以short形式存储的，也就是 从 -32768 ~ 32767 之间的数。

解析程序

代码如下:

# coding=utf-8

import os
import struct
from io import BytesIO

import pyaudio


class RIFFChunk(object):

    RIFF = "RIFF"
    FORMAT = "WAVE"
    STRUCT = '4sI4s'

    def __init__(self, file):
        data = file.read(12)
        res = struct.unpack(self.STRUCT, data)
        self.id = res[0].decode('utf8')
        self.size = res[1]
        self.format = res[2].decode('utf8')


class FormatChunk(object):

    STRUCT_INFO = "4sI"
    STRUCT_FORMAT = 'hhIIhh'

    def __init__(self, file):
        data = file.read(8)
        res = struct.unpack(self.STRUCT_INFO, data)
        self.fmt = res[0].decode('utf8').strip()
        self.size = res[1]

        data = file.read(self.size)
        res = struct.unpack(self.STRUCT_FORMAT, data)
        self.audio_format = res[0]
        self.num_channels = res[1]
        self.sample_rate = res[2]
        self.byte_rate = res[3]
        self.block_align = res[4]
        self.bits_per_sample = res[5]


class DataChunk(object):

    STRUCT = '4sI'
    DATA = 'data'
    LIST = 'LIST'

    def __init__(self, file):
        self.id = None
        self.size = 0
        self.data = None
        data = file.read(8)
        if len(data) < 8:
            return
        res = struct.unpack(self.STRUCT, data)
        self.id = res[0].decode("utf8")
        self.size = res[1]
        self.data = file.read(self.size)


class Wave(object):

    def __init__(self, filename):
        self.filename = filename
        self.riff = None
        self.format = None
        self.datas = []
        self.load()

    def load(self):
        with open(filename, 'rb') as file:
            self.riff = RIFFChunk(file)
            self.format = FormatChunk(file)
            while True:
                data = DataChunk(file)
                if not data.size:
                    break
                if data.id != DataChunk.DATA:
                    continue
                self.datas.append(data)


dirname = os.path.dirname(os.path.abspath(__file__))
filename = os.path.join(dirname, 'input.wav')


wave = Wave(filename)

p = pyaudio.PyAudio()

stream = p.open(format=p.get_format_from_width(wave.format.bits_per_sample // 8),
                channels=wave.format.num_channels,
                rate=wave.format.sample_rate,
                output=True)

for data in wave.datas:
    io = BytesIO(data.data)
    print(wave.format.byte_rate)
    while True:
        chunk = io.read(wave.format.byte_rate)
        if not chunk:
            break
        stream.write(chunk)
    print('data write finish')

stream.stop_stream()
stream.close()

p.terminate()

通过我们自己写的程序读取wave文件，就可以使用pyaudio播放音乐了。而且可以更好的理解wave文件的结构，不过Python标准库已经有 wave 包了，所以，没有必要重复造轮子。

生成正弦波

了解了上面的这些内容，那么我们自己可以生成一个波形，最常见的有方波和正弦波，下面写代码生成正弦波。然后存储成 wav 文件。

# coding=utf-8

import struct
import math
from io import BytesIO

import wave

bit = 16
channels = 1
rate = 44100
frequency = 440  # A4
second = 5

sample_size = (2 ** bit - 1) // 2


wf = wave.open('output.wav', 'wb')
wf.setnchannels(channels)
wf.setsampwidth(bit // 8)
wf.setframerate(rate)

delta = rate // frequency

io = BytesIO()
for index in range(rate * second):
    var = index * 2 * math.pi / delta
    sample = int(math.sin(var) * sample_size)
    io.write(struct.pack("h", sample))

io.seek(0)
wf.writeframes(io.read())
wf.close()

绘制波形图像

把刚才生成的wav文件波形画出来，更加直观的看出正弦波的形状。

# coding=utf-8

import os
import wave
import matplotlib.pyplot as plt

filename = 'output.wav'

wf = wave.open(filename, 'rb')

rate = wf.getframerate()
channels = wf.getnchannels()
width = wf.getsampwidth()
frame_count = wf.getnframes()
duration = frame_count / rate

if channels == 1:
    frames = [
        int.from_bytes(wf.readframes(1), byteorder='little', signed=True)
        for var in range(1000)
    ]
    plt.plot(frames)

if channels == 2:
    frames1 = []
    frames2 = []
    for var in range(1000):
        frame = wf.readframes(1)
        frames1.append(int.from_bytes(frame[0:2], byteorder='little', signed=True))
        frames2.append(int.from_bytes(frame[2:4], byteorder='little', signed=True))

    plt.subplot(211)
    plt.plot(frames1)

    plt.subplot(212)
    plt.plot(frames2)

plt.show()

由于我在代码里只花了前1000帧，所以看上去是这样的：

Wave 文件格式解析 波形

参考资料