RIFF和WAVE音频文件格式

RIFF file format

RIFF全称为资源互换文件格式（Resources Interchange File Format），是Windows下大部分多媒体文件遵循的一种文件结构。RIFF文件所包含的数据类型由该文件的扩展名来标识，能以RIFF格式存储的数据有：

- 音频视频交错格式数据 .AVI

- 波形格式数据 .WAV

- 位图数据格式 .RDI

- MIDI格式数据 .RMI

- 调色板格式 .PAL

- 多媒体电影 .RMN

- 动画光标 .ANI

- 其他的RIFF文件 .BND

CHUNK

chunk

是RIFF文件的基本单元，其基本结构如下：

struct chunk
{
uint32_t id;   // 块标志
uint32_t size; // 块大小
uint8_t data[size]; // 块数据
};

id 4字节，用以标识块中所包含的数据。如：RIFF,LIST,fmt,data,WAV,AVI等，由于这种文件结构 最初是由Microsoft和IBM为PC机所定义，RIFF文件是按照小端 little-endian字节顺序写入的。

size 块大小 存储在data域中的数据长度，不包含id和size的大小

data 包含数据，数据以字为单位存放，如果数据长度为奇数（字节为单位），则最后添加一个空字节。

chunk

是可以嵌套的，但是只有块标志为RIFF或者LIST的chunk才能包含其他的chunk。

RIFF chunk

标志为RIFF的chunk是比较特殊的，每一个RIFF文件首先存放的必须是一个RIFF chunk，并且只能有这一个标志为RIFF的chunk。RIFF的数据域的起始位置是一个4字节码（FOURCC），用于标识其数据域中chunk的数据类型；紧接着数据域的内容则是包含的subchunk，如下图



这是一个RIFF chunk中包含有两个subchunk，可以看出RIFF chunk的数据域首先是是4字节的 Form Type，接着是两个subchunk，每一个subchun有包含有自己的标识、数据域的大小以及数据域。

除了RIFF cunk可以嵌套其他的chunk外，另一个可以有subchunk的就是LIST chunk。



上图中，首先是RIFF文件必须的RIFF chunk，其数据域又包含有两个subchunk，其中一个subchunk的类型为LIST，该LIST chunk又包含了两个subchunk。

FourCC

FourCC 全称为Four-Character Codes，是一个4字节32位的标识符，通常用来标识文件的数据格式。例如，在音视频播放器中，可以通过 文件的FourCC来决定调用那种CODEC进行视音频的解码。例如：DIV3,DIV4,DIVX,H264等，对于音频则有：WAV,MP3等。对于上面的RIFF文件，则有：RIFF,WAVE,fmt,data等。FourCC是4个ASCII字符，不足四个字符的则在最后补充空格（不是空字符）。比如，FourCC fmt，实际上是’f’ ‘m’ ‘t’ ’ ‘。

FourCC的生成通常可以使用如下宏：

#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 中还是不要使用太长的宏为好，在C++中可以使用模板和enum结合的方式。来保证在编译时期就能够将FourCC生成出来。

#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;

将字符常量传入模板，在结构体中声明一个enum，编译器会在编译时期确定枚举值，这样就能给保证FOURCC在编译就能生成出来。

WAV file

WAV 是Microsoft开发的一种音频文件格式，它符合上面提到的RIFF文件格式标准，可以看作是RIFF文件的一个具体实例。既然WAV符合RIFF规范，其基本的组成单元也是chunk。一个WAV文件通常有三个chunk以及一个可选chunk，其在文件中的排列方式依次是：RIFF chunk，Format chunk，Fact chunk（附加块，可选），Data chunk。



一个WAV文件，首先是一个RIFF chunk；RIFF chunk又包含有Format chunk，Data chunk以及可选的Fact chunk。各个chunk中字段的意义如下：

- RIFF chunk

- id

FOURCC 值为’R’ ‘I’ ‘F’ ‘F’

- size

其data字段中数据的大小 字节数

- data

包含其他的chunk

Format chunk

id

FOURCC 值为 ‘f’ ‘m’ ‘t’ ’ ‘

size

数据字段包含数据的大小。如无扩展块，则值为16；有扩展块，则值为= 16 + 2字节扩展块长度 + 扩展块长度或者值为18（只有扩展块的长度为2字节，值为0）

data

存放音频格式、声道数、采样率等信息

format_tag

2字节，表示音频数据的格式。如值为1，表示使用PCM格式。

channels

2字节，声道数。值为1则为单声道，为2则是双声道。

samples_per_sec

采样率，主要有22.05KHz，44.1kHz和48KHz。

bytes_per sec

音频的码率，每秒播放的字节数。samples_per_sec * channels * bits_per_sample / 8，可以估算出使用缓冲区的大小

block_align

数据块对齐单位，一次采样的大小，值为声道数 * 量化位数 / 8，在播放时需要一次处理多个该值大小的字节数据。

bits_per_sample

音频sample的量化位数，有16位，24位和32位等。

cbSize

扩展区的长度

扩展块内容

22字节，具体介绍，后面补充。

Fact chunk(option)

id

FOURCC 值为 ‘f’ ‘a’ ‘c’ ‘t’

size

数据域的长度，4（最小值为4）

采样总数 4字节

Data chunk

id

FOURCC 值为’d’ ‘a’ ‘t’ ‘a’

size

数据域的长度

data

具体的音频数据存放在这里

采用压缩编码的WAV文件，必须要有Fact chunk，该块中只有一个数据，为每个声道的采样总数。

Format chunk 中的编码方式

在Format chunk中，除了有音频的数据的采样率、声道等音频的属性外，另一个比较主要的字段就是format_tag，该字段表示音频数据是以何种方式编码存放的。其具体的取值可以为以下：

0x0001

WAVE_FORMAT_PCM，采用PCM格式

0x0003

WAVE_FORMAT_IEEE_FLOAT，存放的值为IEEE float，范围为[-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，具体的编码方式有扩展区的 sub_format字段决定

关于扩展格式块

当WAV文件使用的不是PCM编码方式是，就需要扩展格式块，它是在基本的Format chunk又添加一段数据。该数据的前两个字节，表示的扩展块的长度。紧接其后的是扩展的数据区，含有扩展的格式信息，其具体的长度取决于压缩编码的类型。当某种编码方式（如 ITU G.711 a-law）使扩展区的长度为0，扩展区的长度字段还必须保留，只是其值设置为0。

扩展区的各个字节的含义如下：

- size 2字节

扩展区的数据长度 ，可以为0或22

- valid_bits_per_sample 2字节

有效的采样位数，最大值为采样字节数 * 8。可以使用更灵活的量化位数，通常音频sample的量化位数为8的倍数，但是使用了WAVE_FORMAT_EXTENSIBLE时，量化的位数有扩展区中的

valid bits per sample

来描述，可以小于Format chunk中制定的

bits per sample

。

channle mask 4字节

声道掩码

sub format 16字节

GUID，include the data format code，数据格式码。

在Format chunk中的format_tag设置为0xFFFE时，表示使用扩展区中的sub_format来决定音频的数据的编码方式。在以下几种情况下必须要使用WAVE_FORMAT_EXTENSIBLE

PCM数据的量化位数大于16

音频的采样声道大于2

实际的量化位数不是8的倍数

存储顺序和播放顺序不一致，需要指定从声道顺序到声卡播放顺序的映射情况。

Data chunk

Data块中存放的是音频的采样数据。每个sample按照采样的时间顺序写入，对于使用多个字节的sample，使用小端模式存放（低位字节存放在低地址，高位字节存放在高地址）。对于多声道的sample采用交叉存放的方式。例如：立体双声道的sample存储顺序为：声道1的第一个sample，声道2的第一个sample；声道1的第二个sample，声道2的第二个sample；依次类推….。对于PCM数据，有以下两种的存储方式：

单声道，量化位数为8，使用偏移二进制码

除上面之外的，使用补码方式存储。

总结

本文主要介绍了RIFF文件的格式和WAV音频文件格式，为后面实现对WAVE文件的读写打一个理论基础。后面打算使用C++标准库，实现对WAV文件的读写。