【wav音訊解析】之wavread函式的C++實現
本文由三部分組成，第一部分背景介紹 —— 音訊型別及本文動機，第二部分類比matlab下wavread()函式的作用，第三部分則給出該函式的C++實現。
一 背景介紹
1.1 本文動機
1）所有wav音訊處理的基礎就是將wav格式的檔案解析出來，解析成陣列才能供我們去做後續的處理（fft等等）。
2）在matlab中直接有一個很好用的函式wavread(' test.wav')，輸入是wav音訊，輸出是陣列，如第二章所述。
3）一般的C++函式讀取出來的資料，格式如1.2節所述，然而不管是什麼格式，資料之間是可互相轉換的。
4) 我在解決問題的過程中，沒有發現一篇詳細的參考文獻。
鑑於此，本文將介紹如何用C++完全實現matlab的wavread函式，輸出資料格式一模一樣，在這個過程中，大家也可以領略檔案中資料的本質，及相互間的轉換關係。
1.2 音訊型別
RIFF全稱為資源互換檔案格式（ResourcesInterchange FileFormat），RIFF檔案是windows環境下大部分多媒體檔案遵循的一種檔案結構,RIFF檔案所包含的資料型別由該檔案的副檔名來標識，能以RIFF檔案儲存的資料包括：音訊視訊交錯格式資料（.AVI) 波形格式資料（.WAV) 點陣圖格式資料（.RDI) MIDI格式資料（.RMI)調色盤格式（.PAL)多媒體電影（.RMN)動畫游標（.ANI)其它RIFF檔案（.BND)。
Chunk是組成RIFF檔案的基本單元，它的基本結構如下：
struct chunk{
u32 id; //由4個ASCII字元組成，用以識別塊中所包含的資料。如：'RIFF' 1.3 wav音訊檔案
WAVE 檔案作為多媒體中使用的聲音波形檔案格式之一，它是以RIFF（Resource Interchange File Format）格式為標準的。每個WAVE檔案的頭四個位元組便是“RIFF”。同樣的，WAVE 檔案由檔案頭和資料體兩大部分組成。其中檔案頭又分為 RIFF／WAV 檔案標識段和聲音資料格式說明段兩部分。WAVE檔案各部分內容及格式見後文。
常見的聲音檔案主要有兩種，分別對應於單聲道（11.025KHz 取樣率、8Bit 的取樣值）和雙聲道（44.1KHz 取樣率、16Bit 的取樣值）。取樣率是指：聲音訊號在“模→數”轉換過程中單位時間內取樣的次數。取樣值是指每一次取樣週期
內聲音模擬訊號的積分值。
對於單聲道聲音檔案，取樣資料為八位的短整數（short int 00H-FFH）；而對於雙聲道立體聲聲音檔案，每次取樣資料為一個16位的整數（int），高八位和低八位分別代表左右兩個聲道。
WAVE 檔案資料塊包含以脈衝編碼調製（PCM）格式表示的樣本。WAVE 檔案是由樣本組織而成的。在單聲道 WAVE 檔案中，聲道0代表左聲道，聲道1代表右聲道。在多聲道WAVE檔案中，樣本是交替出現的。
WAVE 檔案除了前面一小段檔案頭對資料組織進行說明之外，Data 塊就是聲音的原始取樣資料，WAVE 檔案雖然可以壓縮，但一般都使用不壓縮的格式。44.1KHz 取樣率、16Bit的解析度、雙聲道，所以WAVE可以儲存音質要求非常高的聲音檔案，CD 採用的也是這種格式，聲音方面的專家或是音樂發燒友們應該非常熟悉。但這種檔案的體積也非常大，以 44.1KHz 16bit 雙聲道的資料為例，一分鐘的聲音資料量為：4100*2byte*2channel*60s/1024/1024=10.09M 。所以不合適在網上傳送。
下面我們具體地分析 WAVE 檔案的格式
endian | field name | Size | |
| big | ChunkID | 4 | 檔案頭標識，一般就是" RIFF" 四個字母 |
| little | ChunkSize | 4 | 整個資料檔案的大小，不包括上面ID和Size本身 |
| big | Format | 4 | 一般就是" WAVE" 四個字母 |
| big | SubChunk1ID | 4 | 格式說明塊，本欄位一般就是"fmt " |
| little | SubChunk1Size | 4 | 本資料塊的大小，不包括ID和Size欄位本身 |
| little | AudioFormat | 2 | 音訊的格式說明 |
| little | NumChannels | 2 | 聲道數 |
| little | SampleRate | 4 | 取樣率 |
| little | ByteRate | 4 | 位元率，每秒所需要的位元組數 |
| little | BlockAlign | 2 | 資料塊對齊單元 |
| little | BitsPerSample | 2 | 取樣時模數轉換的解析度 |
| big | SubChunk2ID | 4 | 真正的聲音資料塊，本欄位一般是"data" |
| little | SubChunk2Size | 4 | 本資料塊的大小，不包括ID和Size欄位本身 |
| little | Data | N | 音訊的取樣資料 |
以下是對各個欄位的詳細解說：
| ChunkID | 4bytes | ASCII 碼錶示的“RIFF”。（0x52494646） |
| ChunkSize | 4bytes | 36+SubChunk2Size，或是 4 + ( 8 + SubChunk1Size ) + ( 8 + SubChunk2Size )， 這是整個資料塊的大小（不包括ChunkID和ChunkSize的大小） |
| Format | 4bytes | ASCII 碼錶示的“WAVE”。（0x57415645） |
| SubChunk1ID | 新的資料塊（格式資訊說明塊） ASCII 碼錶示的“fmt ”——最後是一個空格。（0x666d7420） | |
| SubChunk1Size | 4bytes | 本塊資料的大小（對於PCM，值為16）。 |
| AudioFormat | 2bytes | PCM = 1 （比如，線性取樣），如果是其它值的話，則可能是一些壓縮形式 |
| NumChannels | 2bytes | 1 => 單聲道 | 2 => 雙聲道 |
| SampleRate | 4bytes | 取樣率，如 8000，44100 等值 |
| ByteRate | 4bytes | 等於： SampleRate * numChannels * BitsPerSample / 8 |
| BlockAlign | 2bytes | 等於：NumChannels * BitsPerSample / 8 |
| BitsPerSample | 2bytes | 取樣解析度，也就是每個樣本用幾位來表示，一般是 8bits 或是 16bits |
| SubChunk2ID | 4bytes | 新資料塊，真正的聲音資料 ASCII 碼錶示的“data ”——最後是一個空格。（0x64617461） |
| SubChunk2Size | 4bytes | 資料大小，即，其後跟著的取樣資料的大小。 |
| Data | N bytes | 真正的聲音資料 |
對於Data塊，根據聲道數和取樣率的不同情況，佈局如下（每列代表8bits）：
1）. 8 Bit 單聲道：
| 取樣1 | 取樣2 |
| 資料1 | 資料2 |
2）. 8 Bit 雙聲道
| 取樣1 | 取樣2 | ||
| 聲道1資料1 | 聲道2資料1 | 聲道1資料2 | 聲道2資料2 |
3）. 16 Bit 單聲道：
| 取樣1 | 取樣2 | ||
| 資料1低位元組 | 資料1高位元組 | 資料1低位元組 | 資料1高位元組 |
4）. 16 Bit 雙聲道
| 取樣1 | |||
| 聲道1資料1低位元組 | 聲道1資料1高位元組 | 聲道2資料1低位元組 | 聲道2資料1高位元組 |
| 取樣2 | |||
| 聲道1資料2低位元組 | 聲道1資料2高位元組 | 聲道2資料2低位元組 | 聲道2資料2高位元組 |
下面我們看一個具體的例子，wav音訊檔案如下：（十六進位制的形式）
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 3c 13 3c 14 16 18 34 23 3c 24 11 1a 0d對應的分析如下圖所示：
舉例分析資料：形如 'FFFF' 為一個我們需要的完整的資料。如上圖中 sample3：3c 和 13是兩個數組合在一起是一個我們需要的數， 3c 13，但右端為大端，則應為 3c 13，十六進位制數3c按位轉換為2進製為0011 1100，同理13按位轉換為2進製為0001 0011，則連起來的16bits的二進位制數為0011 1100 0001 0011，那麼我們可以看到符號位為0，即為正數。
二 matlab中的wavread( )函式
wavread('testwav.wav' )
讀者試試看輸出。例如，取我的一個聲音檔案'testwav.wav'，輸出的最後10個數據為：
-0.0001 -0.0001 -0.0002 -0.0003 -0.0002 -0.0002 -0.0002 -0.0003 -0.0002 -0.0002
2. wavread('testwav.wav','native')
讀者可以試試看輸出。我的'testwav.wav' 輸出的最後10個數據為：
-4 -2 -8 -9 -7 -8 -8 -11 -5 -7
1 和 2 的輸出資料之間的轉換公式為：-0.0002 = -7 / 32768 （其中32768 = 2 ^15，即2的15次冪。這是歸一化。因為編碼為16bits）
三 readwav的 C++實現
上面介紹了這麼多，我們來進入主題，怎麼用C++實現matlab中的wavread('testwav.wav')函式，且輸出一致。
3.1 編碼轉換規則
在介紹之前，我們需要了解這幾串資料之間的關係。本章節以test.wav檔案的資料為例來分析：
（1）該wave檔案的Data塊即原始取樣資料的最後20個數據是：
fc ff fe ff f8 ff f7 ff f9 ff f8 ff f8 ff f5 ff fb ff f9 ff（2）在matlab中解析得到的最後10個數據是：
-0.0001 -0.0001 -0.0002 -0.0003 -0.0002 -0.0002 -0.0002 -0.0003 -0.0002 -0.0002這兩組資料之間是原碼與補碼的關係，即（1）是原碼而（2）是補碼。
由資料（1）轉換為資料（2）的步驟是：先將（1）轉換為其補碼，再用補碼除以32768，則得到（2）。
原碼與補碼之間的轉換原則：
（2進位制形式的轉換）：若原碼為正數，則補碼是其本身。若原碼為負數，則補碼為符號位不變，數值位按位取反，再加1。
（數值形式的轉換）：若原碼為正數，則補碼是其本身。若原碼為負數，補碼 = 原碼 - 2^16。溫馨提示: 為了方便計算數值上有等價替換 2^16 = FFFF - 1。
為了更好的理解，舉例說明：
步驟一（每次讀16位元組）：由於資料是從X0000到XFFFF的資料。以f9 ff為例，右端為大端，換言之，右端是高位，則應該是fff9。步驟二（轉換為補碼）：按位轉換為二進位制形式為1111 1111 1111 1001（1位16進位制數值對應4位二進位制數值），該資料為原碼，轉換成帶符號的十進位制形式，先看符號位判斷其為負數，則補碼為FFF9 - FFFF -1 = -7。步驟三（歸一化）：用補碼數值-7除以32768，取小數點後4位（四捨五入），則等於-0.0002，正確。
讀者可以試著用我的方法算一下（1）中的右起第3第4個數，是否對應等於（2）的右起第2個數。
3.2 C++實現
那麼C++實現，就是先讀取原始取樣資料，每次讀16位元組，然後將16位元組的16進位制數字轉化成十進位制數，再轉換成其補碼，並歸一化。轉換時注意大小端和符號問題。
參考文獻