音视频入门基础：WAV专题（2）—

注：本文有部分内容引用了维基百科：https://zh.wikipedia.org/wiki/WAV

一、引言

Waveform Audio File Format（缩写WAVE或WAV）是微软与IBM公司所开发在个人电脑存储音频流的编码格式，在Windows平台的应用软件受到广泛的支持。此格式属于资源交换文件格式(RIFF)的应用之一（关于RIFF格式可以上微软的官网了解：https://learn.microsoft.com/zh-cn/windows/win32/xaudio2/resource-interchange-file-format--riff-）。WAV音频文件通常会将采用脉冲编码调制（音频压缩编码格式为PCM）的音频存储在区块中。由于此音频格式未经过压缩，所以在音质方面不会出现失真的情况，但文件的体积较大。

WAV格式的官方文档可以从https://www.mmsp.ece.mcgill.ca/Documents/AudioFormats/WAVE/WAVE.html 下载：

二、WAV文件的Header

WAV文件遵守RIFF格式的规则，文件最前面的数据为文件头(header)，使音频播放器能够简单掌握文件的基本信息。注意：文件头不一定为固定的44字节，由是否存在扩展块和是否存在可选区块决定。文件头中的内容以区块(chunk)为最小单位（注意：是子区块包含区块），每一区块长度为4字节，而区块之上则由子区块包裹，每一子区块长度不受限制，但须在前头先声明标签及长度(单位为字节)。文件头的前3个区块记录文件格式及长度；接着第一个子区块（标签为"fmt"，被称为“Format chunk”）包含多个区块，记录声道数量、采样率等信息；另外一个子区块（标签为"data"，被称为“Data chunk”）才包含真正的音频资料（或者说音频数据），长度则视音频长度而定。内容如下表所示。须注意的是，每个区块的字节序不尽相同（也就是说有些区块按照大端字节序存贮，有些按照小端字节序存贮），而音频数据本身则是采用小端字节序：

注：

1.上图描述有误，“位元（组）率”实际应为“=声道数 * 采样频率 * 量化位数 / 8”（图片中漏乘了声道数量），它代表每秒钟数据的字节数。

2.上图仅仅列出了WAV文件Header中必须包含的区块。Format chunk和Data chunk是必须的。但实际Header中还可能存在可选区块，Format chunk中也可能包含扩展块。

3.上图中“总区块大小”的描述有误，其区块内容不一定为“N+36”。

三、WAV文件实例分析

用notepad++打开《音视频入门基础：WAV专题（1）——使用FFmpeg命令生成WAV音频文件》中生成的WAV文件，下图红框中的数据为文件头(header)：

（一）WAV Header中的前3个区块

第0到3字节为WAV Header中的第一个区块：“区块编号”，内容为“RIFF”或“RIFX”。“RIFF”指定该文件中真正的音频数据按照小端字节序存贮，“RIFX”指定该文件中真正的音频数据按照大端字节序存贮。下图中的值为“RIFF”，表示该文件遵守RIFF格式的规则，音频数据按照小端字节序存贮：

第4到7字节为WAV Header中的第二个区块：“总区块大小”，值等于：该WAV文件所有区块减去“”区块编号和“总区块大小”所占的字节数，即“该WAV文件所有区块所占空间 - 8”，单位为字节。由于该区块是小端字节序，所以下图中的总区块大小为0x03184846，也就是十进制的51923014，表示总区块大小为51923014字节：

第8到11字节为WAV Header中的第三个区块：“档案格式”，内容固定为“WAVE”，表示该文件为WAVE / WAV格式的文件：

（二）WAV Header中的子区块：Format chunk

第12到15字节为“子区块1标签”，内容固定为“fmt ”，表示这是第一个子区块的开头，该子区块被称为Format chunk，记录声道数量、采样率等信息：

第16到19字节为“子区块1大小”，单位为字节。如果子区块1中无扩展块，值为16，子区块1中有扩展块，值为“16 + 2字节扩展块长度 + 扩展块内容”。当WAV文件中的音频数据使用的不是PCM压缩编码格式时，Format chunk中就会有扩展块。下图中的值为0x10（小端字节序），也就是十进制的16（字节），所以该wav文件的Format chunk中无扩展块：

“子区块1大小”就是下图红框中的区块加起来的总大小。也就是子区块1中，去掉“子区块1标签”和“子区块1大小”这两个区块后的总大小：

第20到21字节为“音讯格式”，也就是所谓的音频压缩编码格式，值一般为0x01（小端字节序），表示音频压缩编码格式为PCM：

第22到23字节为声道数量。值为1是单声道，为2则是双声道（立体声）。下图中的值为0x02（小端字节序），表示音频为双声道：

第24到27字节为“取样频率”，也就是音频的采样频率，单位为Hz。下图中的值为0xAC44（小端字节序），换算成10进制就是44100，表示音频的采样频率为44100Hz：

第28到31字节为“位元（组）率”，即音频的码率（单位为byte per second，音频每秒播放的字节数）。其值为：声道数 * 采样频率 * 采样位数 / 8。下图中的值为0x02B110（小端字节序），也就是10进制的176400，表示音频的码率为176400Byte/s。可以计算出来：176400 = 2 * 44100 * 16 / 8，符合上述计算公式：

第32到33字节为“区块对齐”，即每个采样点所需的字节数，其值为：声道数 * 采样位数 / 8。下图中的值为0x04（小端字节序），换算成10进制就是4。 4 = 2 * 16 / 8，符合上述计算公式：

第34到35字节为“位元深度”，即采样位数。下图中的值为0x10（小端字节序），换算成10进制就是16，表示音频的采样位数是16位：

由于我们上述读取到的“子区块1大小”为16字节。所以至此“子区块1”读取结束。后面的内容为另外一个子区块的。

（三）WAV Header中的可选区块

WAV文件的Header中还可能包含一些可选的区块，如：Fact chunk、Cue points chunk、Playlist chunk、Associated data list chunk等。这些区块在WAV文件中不是必须的，WAV文件的Header中可能存在、也可能不存在这些区块。list chunk是其中一种可选区块，包含关于版权、作者、文件工程师和其他类似文本的信息。由于我们演示的这个WAV文件是通过FFmpeg生成的，FFmpeg在它的Header中加入了list chunk。

从该WAV文件的第36到39字节中读取到了“子区块1”后面区块的标签：“LIST”，表示这是list chunk的开头：

WAV文件遵守RIFF格式的规则，根据微软官方对RIFF格式的描述：https://learn.microsoft.com/zh-cn/windows/win32/xaudio2/resource-interchange-file-format--riff-

我们可以知道chunkSize（区块大小）是一个4字节值。所以下图红框中，也就是该WAV文件的第40到43字节为list chunk这个子区块的大小，下图中的值为0x1A（小端字节序），换算成10进制就是26，表示子区块list chunk中，去掉“list chunk标签”和“list chunk大小”这两个区块后的总大小是26字节：

所以据此，我们可以推断出list chunk中去掉“list chunk标签”和“list chunk大小”后的有效数据的范围是从该WAV文件的第44字节到第69字节：

至此该子区块（list chunk）读取结束。后面的内容为另外一个子区块的。

（四）WAV Header中的子区块：Data chunk

从该WAV文件的第70到73字节中读取到了“子区块list chunk”后面区块的标签：“data”，表示这是Data chunk的开头，该子区块存放真正的音频数据：

第74到77字节为“子区块Data chunk的大小”，单位为字节。下图中的值为0x03184800（小端字节序），换算成十进制是51922944，表示该WAV文件中存放的真正的音频数据的大小为51922944字节。由上述第20到21字节中的“音讯格式”，我们可以知道该WAV文件中音频的压缩编码格式为PCM。所以该WAV文件中PCM音频数据的大小为51922944字节。该值 = (采样频率*采样位数*声道)*时间 / 8(单位：字节数)。我们把实际数据带入该公式：51922944 ≈ (44100 * 16 * 2) * 294 / 8，可以看到是符合该公式的。“约等于”是因为该WAV文件的总时长不是正好的294秒：

“子区块Data chunk的大小”占用的空间为4字节，所以WAV存放真正的音频数据的极限是2 ^ 32 = 4294967296字节，也就是说它最多只能容纳4GB的音频流信息，这是Wave作为32bit时代产物的局限性。要想存贮超过4G的音频数据，可以使用WAVE 64位扩展格式Wave64。

从第78字节开始存放的就是真正的音频数据了。从上面我们可以知道该WAV文件的Header为从第0到第77字节，也就是说它的Header占78字节。我们在Windows系统中通过“属性”查看该WAV文件的大小，可以看到是51923022 字节。51923022 = 51922944（PCM音频数据的大小） + 78（Header的大小）。可以看出来，数值是完全符合的：

四、删除WAV文件头测试

由上面我们可以知道该WAV文件的Header为从第0到第77字节，所以删掉该文件头以后WAV文件能不能播放呢？我们做一个测试：

备份WAV文件。在notepad++中删掉该WAV文件的Header：

然后发现用vlc打开没反应。也就是说无法打开了：

从上面我们可以知道该WAV文件的第20到21字节值为0x01，表示音频压缩编码格式为PCM。所以去掉WAV Header后，剩下的数据就是PCM音频数据。我们可以按照《音视频入门基础：PCM专题（3）——使用Audacity工具分析PCM音频文件》，通过导入PCM音频文件的方法，来打开去掉Header后的WAV文件：

果然可以成功打开播放：

五、Wave64格式

想存贮超过4G的音频数据，可以使用WAVE 64位扩展格式Wave64，具体可以参考：《什么是Wave64和RF64？》、《F64 | MBWF | WAV 64-bit | Learn, Get Free Samples Now》

六、总结

1.WAV的文件头不一定为固定的44字节，由是否存在扩展块和是否存在可选区块决定。所以如果不通过第三方库，自己写解析WAV文件的程序时要注意这一点。

2.WAV文件头包含了音频采样频率、采样位数、声道数信息。而WAV文件遵守RIFF格式的规则，RIFF规定了符号和字节序。所以播放器可以根据这些信息播放WAV文件。同样的，即使去掉了WAV Header，只要我们播放时指定了这五个参数（这五个参数可以参考：《音视频入门基础：PCM专题（1）——使用FFmpeg命令生成PCM音频文件并播放》），而我们又同时知道了它的音频压缩编码方式，我们就能播放该音频文件。

3.WAV是文件格式。PCM是音频压缩编码格式。WAV文件中的音频压缩编码格式一般是PCM，但也可以是其它。

4.WAV文件只能容纳4GB的音频流信息，要想存贮超过4G的音频数据，可以使用WAVE 64位扩展格式Wave64。