RIFF和WAVE音頻文件格式

RIFF file format

RIFF全稱爲資源互換文件格式（Resources Interchange File Format），是Windows下大部分多媒體文件遵循的一種文件結構。RIFF文件所包含的數據類型由該文件的擴展名來標識，能以RIFF格式存儲的數據有：
- 音頻視頻交錯格式數據 .AVI
- 波形格式數據 .WAV
- 位圖數據格式 .RDI
- MIDI格式數據 .RMI
- 調色板格式 .PAL
- 多媒體電影 .RMN
- 動畫光標 .ANI
- 其他的RIFF文件 .BND

CHUNK

chunk是RIFF文件的基本單元，其基本結構如下：

struct chunk
{
    uint32_t id;   // 塊標誌
    uint32_t size; // 塊大小
    uint8_t data[size]; // 塊數據
};

• id 4字節，用以標識塊中所包含的數據。如：RIFF,LIST,fmt,data,WAV,AVI等，由於這種文件結構 最初是由Microsoft和IBM爲PC機所定義，RIFF文件是按照小端 little-endian字節順序寫入的。
• size 塊大小 存儲在data域中的數據長度，不包含id和size的大小
• data 包含數據，數據以字爲單位存放，如果數據長度爲奇數（字節爲單位），則最後添加一個空字節。

chunk是可以嵌套的，但是隻有塊標誌爲RIFF或者LIST的chunk才能包含其他的chunk。

RIFF chunk

標誌爲RIFF的chunk是比較特殊的，每一個RIFF文件首先存放的必須是一個RIFF chunk，並且只能有這一個標誌爲RIFF的chunk。RIFF的數據域的起始位置是一個4字節碼（FOURCC），用於標識其數據域中chunk的數據類型；緊接着數據域的內容則是包含的subchunk，如下圖

這是一個RIFF chunk中包含有兩個subchunk，可以看出RIFF chunk的數據域首先是是4字節的 Form Type，接着是兩個subchunk，每一個subchun有包含有自己的標識、數據域的大小以及數據域。
除了RIFF cunk可以嵌套其他的chunk外，另一個可以有subchunk的就是LIST chunk。

上圖中，首先是RIFF文件必須的RIFF chunk，其數據域又包含有兩個subchunk，其中一個subchunk的類型爲LIST，該LIST chunk又包含了兩個subchunk。

FourCC

FourCC 全稱爲Four-Character Codes，是一個4字節32位的標識符，通常用來標識文件的數據格式。例如，在音視頻播放器中，可以通過 文件的FourCC來決定調用那種CODEC進行視音頻的解碼。例如：DIV3,DIV4,DIVX,H264等，對於音頻則有：WAV,MP3等。對於上面的RIFF文件，則有：RIFF,WAVE,fmt,data等。FourCC是4個ASCII字符，不足四個字符的則在最後補充空格（不是空字符）。比如，FourCC fmt，實際上是’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 中還是不要使用太長的宏爲好，在C++中可以使用模板和enum結合的方式。來保證在編譯時期就能夠將FourCC生成出來。

#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;

將字符常量傳入模板，在結構體中聲明一個enum，編譯器會在編譯時期確定枚舉值，這樣就能給保證FOURCC在編譯就能生成出來。

WAV file

WAV 是Microsoft開發的一種音頻文件格式，它符合上面提到的RIFF文件格式標準，可以看作是RIFF文件的一個具體實例。既然WAV符合RIFF規範，其基本的組成單元也是chunk。一個WAV文件通常有三個chunk以及一個可選chunk，其在文件中的排列方式依次是：RIFF chunk，Format chunk，Fact chunk（附加塊，可選），Data chunk。

一個WAV文件，首先是一個RIFF chunk；RIFF chunk又包含有Format chunk，Data chunk以及可選的Fact chunk。各個chunk中字段的意義如下：
- RIFF chunk
- id
FOURCC 值爲’R’ ‘I’ ‘F’ ‘F’
- size
其data字段中數據的大小 字節數
- data
包含其他的chunk

• Format chunk
  
  • id
    FOURCC 值爲 ‘f’ ‘m’ ‘t’ ’ ‘
  • size
    數據字段包含數據的大小。如無擴展塊，則值爲16；有擴展塊，則值爲= 16 + 2字節擴展塊長度 + 擴展塊長度或者值爲18（只有擴展塊的長度爲2字節，值爲0）
  • data
    存放音頻格式、聲道數、採樣率等信息
    
    • format_tag
      2字節，表示音頻數據的格式。如值爲1，表示使用PCM格式。
    • channels
      2字節，聲道數。值爲1則爲單聲道，爲2則是雙聲道。
    • samples_per_sec
      採樣率，主要有22.05KHz，44.1kHz和48KHz。
    • bytes_per sec
      音頻的碼率，每秒播放的字節數。samples_per_sec * channels * bits_per_sample / 8，可以估算出使用緩衝區的大小
    • block_align
      數據塊對齊單位，一次採樣的大小，值爲聲道數 * 量化位數 / 8，在播放時需要一次處理多個該值大小的字節數據。
    • bits_per_sample
      音頻sample的量化位數，有16位，24位和32位等。
    • cbSize
      擴展區的長度
    • 擴展塊內容
      22字節，具體介紹，後面補充。
• Fact chunk(option)
  
  • id
    FOURCC 值爲 ‘f’ ‘a’ ‘c’ ‘t’
  • size
    數據域的長度，4（最小值爲4）
  • 採樣總數 4字節
• Data chunk
  
  • id
    FOURCC 值爲’d’ ‘a’ ‘t’ ‘a’
  • size
    數據域的長度
  • data
    具體的音頻數據存放在這裏

採用壓縮編碼的WAV文件，必須要有Fact chunk，該塊中只有一個數據，爲每個聲道的採樣總數。

Format chunk 中的編碼方式

在Format chunk中，除了有音頻的數據的採樣率、聲道等音頻的屬性外，另一個比較主要的字段就是format_tag，該字段表示音頻數據是以何種方式編碼存放的。其具體的取值可以爲以下：

• 0x0001
  WAVE_FORMAT_PCM，採用PCM格式
• 0x0003
  WAVE_FORMAT_IEEE_FLOAT，存放的值爲IEEE float，範圍爲[-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，具體的編碼方式有擴展區的 sub_format字段決定

關於擴展格式塊

當WAV文件使用的不是PCM編碼方式是，就需要擴展格式塊，它是在基本的Format chunk又添加一段數據。該數據的前兩個字節，表示的擴展塊的長度。緊接其後的是擴展的數據區，含有擴展的格式信息，其具體的長度取決於壓縮編碼的類型。當某種編碼方式（如 ITU G.711 a-law）使擴展區的長度爲0，擴展區的長度字段還必須保留，只是其值設置爲0。
擴展區的各個字節的含義如下：
- size 2字節
擴展區的數據長度 ，可以爲0或22
- valid_bits_per_sample 2字節
有效的採樣位數，最大值爲採樣字節數 * 8。可以使用更靈活的量化位數，通常音頻sample的量化位數爲8的倍數，但是使用了WAVE_FORMAT_EXTENSIBLE時，量化的位數有擴展區中的valid bits per sample來描述，可以小於Format chunk中制定的bits per sample。

• channle mask 4字節
  聲道掩碼
• sub format 16字節
  GUID，include the data format code，數據格式碼。

在Format chunk中的format_tag設置爲0xFFFE時，表示使用擴展區中的sub_format來決定音頻的數據的編碼方式。在以下幾種情況下必須要使用WAVE_FORMAT_EXTENSIBLE

• PCM數據的量化位數大於16
• 音頻的採樣聲道大於2
• 實際的量化位數不是8的倍數
• 存儲順序和播放順序不一致，需要指定從聲道順序到聲卡播放順序的映射情況。

Data chunk

Data塊中存放的是音頻的採樣數據。每個sample按照採樣的時間順序寫入，對於使用多個字節的sample，使用小端模式存放（低位字節存放在低地址，高位字節存放在高地址）。對於多聲道的sample採用交叉存放的方式。例如：立體雙聲道的sample存儲順序爲：聲道1的第一個sample，聲道2的第一個sample；聲道1的第二個sample，聲道2的第二個sample；依次類推….。對於PCM數據，有以下兩種的存儲方式：

• 單聲道，量化位數爲8，使用偏移二進制碼
• 除上面之外的，使用補碼方式存儲。

總結

本文主要介紹了RIFF文件的格式和WAV音頻文件格式，爲後面實現對WAVE文件的讀寫打一個理論基礎。後面打算使用C++標準庫，實現對WAV文件的讀寫。