嵌入式音频开发笔记——PCM编码与WAV音频文件格式详解

PCM 编码原理详解

一、PCM 基本概念

PCM（Pulse Code Modulation，脉冲编码调制）是一种将模拟信号数字化的无损编码方式，包含三个核心步骤：

1. ​​采样（Sampling）​​

   • 按照固定时间间隔（奈奎斯特频率）测量模拟信号的瞬时值
   • 例如：CD音频采样率为44.1kHz（人耳最高识别20kHz的2倍以上）
   • 公式：采样频率 ≥ 2 × 信号最高频率

2. ​​量化（Quantization）​​

   • 将连续幅值离散化为有限个量化电平
   • 量化精度（位深）：常见16位（65,536级）、24位（16,777,216级）、32位（4,294,967,296级）
   • 量化误差：实际值与量化值之差（引入"量化噪声"）

3. ​​编码（Coding）​​

   • 将量化值转换为二进制序列
   • 线性PCM：直接二进制映射
   • 编码公式：数字值 = (模拟值/满量程) × (2ⁿ-1)

二、关键技术特征

特性	说明
信号保真度	直接取决于采样率和量化位深
数据量	未压缩原始数据：位深×声道数×采样率
动态范围	每增加1比特提升约6dB信噪比
处理复杂度	编码/解码只需ADC/DAC转换，几乎无计算负载

Waveform 音频文件结构（WAV 格式）

        PCM编码后的声音数据是需要保存的，WAVE文件常常用来保存PCM编码数据。WAVE文件是微软公司（Microsoft）开发的一种声音文件格式，用于保存Windows平台的音频信息资源，被Windows平台及其应用程序所广泛支持，WAVE文件默认打开工具是WINDOWS的媒体播放器。

1. RIFF文件格式标准

        WAVE文件是以微软RIFF格式为标准的，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格式存储的数据有很多：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）等。
　　如下代码所示的CK结构体是RIFF文件的基本单元，该基本单元也称 Chunk。其中ckID用于标识块中所包含的数据类型，其取值可有'RIFF'、'LIST'、'fmt '、'data'等；ckSize表示存储在ckData域中的数据长度（不包含ckID和ckSize的大小）；ckData存储数据，数据以字节为单位存放，如果数据长度为奇数，则最后添加一个空字节。

/*
由于RIFF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
*/
typedef unsigned long DWORD;
typedef unsigned char BYTE;
typedef DWORD         FOURCC;    // Four-character code

typedef struct { 
     FOURCC ckID;          // The unique chunk identifier 
     DWORD ckSize;         // The size of field <ckData> 
     BYTE ckData[ckSize];  // The actual data of the chunk 
} CK;

2. WAVE文件结构

        WAVE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WAVE符合RIFF规范，其基本的组成单元也是Chunk。一个 WAVE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，如下图所示：

WAV 文件基于 RIFF（Resource Interchange File Format） 结构，由多个区块（Chunks）组成，关键区块如下：

RIFF 头区块

• Chunk ID：固定为 "RIFF"（4 字节）。
• Chunk Size：文件总大小减去 8 字节（4 字节，小端序）。
• Format：固定为 "WAVE"（4 字节）。

fmt 子区块

• Subchunk ID：固定为 "fmt "（4 字节）。
• Subchunk Size：一般为 16 字节（PCM 格式）（4 字节）。
• Audio Format：编码格式（2 字节），如 PCM 为 1。
• Num Channels：声道数（2 字节），如单声道为 1，立体声为 2。
• Sample Rate：采样率（Hz，4 字节），如 44100。
• Byte Rate：每秒字节数（4 字节），计算公式：
  SampleRate × NumChannels × BitsPerSample / 8
• Block Align：每样本字节数（2 字节），计算公式：
  NumChannels × BitsPerSample / 8
• Bits Per Sample：量化位数（2 字节），如 16。

data 子区块

• Subchunk ID：固定为 "data"（4 字节）。
• Subchunk Size：音频数据大小（4 字节）。
• Data：连续的 PCM 样本数据，按声道交替存储（如立体声为 L-R-L-R…），小端序。

扩展说明

• 非 PCM 格式：WAV 文件可支持 ADPCM、IEEE 浮点数等，需修改 Audio Format 字段。
• 扩展区块：可能包含 "fact"（压缩格式必需）或 "LIST"（元信息）等子区块。

 示例代码

一、WAV文件头的定义

#pragma pack(push, 1) // 关键！确保编译器使用1字节对齐，无填充。
struct WAVHEADER
{
    /********** RIFF Chunk **********/
    char RiffName[4];     // <-> 'R' 'I' 'F' 'F'
    uint32_t nRiffLength; // <-> Total File Size - 8
    char WavName[4];      // <-> 'W' 'A' 'V' 'E'

    /********** fmt Chunk **********/
    char FmtName[4];       // <-> 'f' 'm' 't' ' ' (注意最后一个字节是空格' '的ASCII码0x20)
    uint32_t nFmtLength;   // <-> fmt块的数据部分长度 (应为16)
    /****** fmt Chunk Data *******/
    uint16_t nAudioFormat;     // <-> 1 (PCM)
    uint16_t nChannleNumber;   // <-> 声道数 (1, 2...)
    uint32_t nSampleRate;      // <-> 采样率
    uint32_t nBytesPerSecond;  // <-> 字节速率
    uint16_t nBytesPerSample;  // <-> 采样帧字节数 (== BlockAlign)
    uint16_t nBitsPerSample;   // <-> 每个采样的位数

    /********** data Chunk Header **********/
    char DATANAME[4];     // <-> 'd' 'a' 't' 'a'
    uint32_t nDataLength; // <-> 音频数据的长度
};
#pragma pack(pop) // 恢复默认对齐方式

• 成员顺序​​: 结构体成员的顺序​​严格对应​​了WAV文件格式要求的块（RIFF, fmt, data）的顺序以及各块内部字段的顺序。
• ​​字段意义​​: 每个结构体成员变量名清晰反映了其对应的WAV文件字段的含义，命名规范合理（如nRiffLength, nSampleRate）。
• ​​字符数组 vs 字符串​​: 使用char[4]（如RiffName, WavName等）存储4字符代码（FourCC）是最合适的。const char* 在这里不合适，因为它存储的是指针而非实际数据。memcpy("RIFF", ...)确保将4个有效字符复制进去，没有C风格字符串的终止符'\0'，符合二进制格式要求。
• ​​整数类型选择​​: uint32_t, uint16_t 严格对应了WAV格式中相应字段的大小（4字节和2字节）。
• ​​#pragma pack(push, 1)/pop​​: 这是​​最关键​​的部分！
  • WAV文件格式要求字段​​紧密排列​​，中间不允许有字节填充（padding）。
  • C/C++编译器为了提高内存访问效率，通常会对结构体成员进行内存对齐（比如在uint16_t后面插入2个字节的填充，使下一个uint32_t对齐到4字节地址）。这会破坏与文件二进制布局的对应关系。
  • #pragma pack(1) 强制编译器按1字节对齐方式打包结构体，确保成员之间没有任何填充字节。push/pop确保只在定义这个结构体时改变对齐方式，避免影响其他代码。
• 最常见的WAVE Format的Tag值定义

二、WAV文件结构体的初始化

WAVHEADER wavHeader;

void set_wav_header()
{
    memcpy(wavHeader.RiffName, "RIFF", 4);
    memcpy(wavHeader.WavName, "WAVE", 4);
    memcpy(wavHeader.FmtName, "fmt ", 4);
    memcpy(wavHeader.DATANAME, "data", 4);

    wavHeader.nFmtLength = 16;
    wavHeader.nAudioFormat = 1;
    wavHeader.nBitsPerSample = 32;
    wavHeader.nChannleNumber = 2;
    wavHeader.nSampleRate = mSetWaveSamplate;
    wavHeader.nBytesPerSample = wavHeader.nChannleNumber * wavHeader.nBitsPerSample / 8;
    wavHeader.nBytesPerSecond = wavHeader.nSampleRate * wavHeader.nBytesPerSample;
}

 三、WAVE文件数据解析

        当WAVE文件的头被解析成功后，下一步便是获取WAVE文件里的声音源数据，我们知道声音文件有单声道和多声道之分，对于单声道文件很好理解，声音数据就是按序排放。

        而如果是立体声（2声道）文件，那么左右声道的声音数据到底是怎么排放的呢？下面以一个示例立体声文件数据（仅分析前72bytes）进行解释：

offset(h)
00000000: 52 49 46 46 24 08 00 00 57 41 56 45 66 6d 74 20
00000010: 10 00 00 00 01 00 02 00 22 56 00 00 88 58 01 00
00000020: 04 00 10 00 64 61 74 61 00 08 00 00 00 00 00 00
00000030: 24 17 1e f3 3c 13 3c 14 16 f9 18 f9 34 e7 23 a6
00000040: 3c f2 24 f2 11 ce 1a 0d

        下图是这个72bytes数据解析图，从图中可以看到，左右声道的声音数据是按块（nBlockAlign指定）交替排放的。

四、WAVE文件实例分析

　　WAVE文件格式我们都了解透彻了，下面我们尝试分析一个经典的WAVE文件："Windows XP 启动.wav"，让我们直接用二进制编辑器HxD打开它：

　　按wave_head_t解析WAVE头可知，这段wave是44.1kHz/16bit双声道线性PCM码音频，实际音频数据总长度为1361076bytes（1361076（datasize）/176400（nAvgBytesPerSec）=7.7158秒），最后再用Adobe Audition（原Cool Edit）打开查看其波形图：