音频文件格式解析与编解码
一、音频格式总览
说到语音技术就不得不说起音频数据，从硬件设备采集语音信号，语音信号的处理，到语音信号A/D转换得到原始数据(raw data)，再到对原始数据进行编码得到音频文件，对音频文件解码进行播放。那么为什么会出现如此多的音频格式？使用最多的几种音频格式有MP3、WMA、WAV、AAC、FLAC、APE、WV、ASF、VQF、MID、OGG、M4A、eAAC+。目前只用到了其中三种，故详细分析WAV、MP3、OGG。
二、原始数据(raw data，以PCM编码为例)
模拟音频信号经模数转换（A/D变换）直接形成的二进制序列，该文件没有附加的文件头和文件结束标志。而PCM(Pulse-code Modulation，脉冲编码调制)是一种模拟信号的数字化方法，常被用于数字电信系统中，非常频繁地，PCM编码以一种串行通信的形式，使数字传讯由一点至下一点变得更容易——不论在已给定的系统内，或物理位置。
PCM过程放在ALSA的实践中作为理论部分呈现，这里给出多通道音频数据的比特位特征。
图1 多通道音频数据的比特流格式
如图1所示，单通道音频数据以采样位数(bit)串行记录在比特流中：
1) 8 bit 采样位数: 意味着每个采样值能占据1个字节大小；
+------+------+------+------+------+------+------+------+------+
| 500 | 300 | -100 | -20 | -300 | 900 | -200 | -50 | 250 |
+------+------+------+------+------+------+------+------+------+
2）16 bit 采样位数：分为两个字节以小端(little-endian)方式存储在比特流中；
双通道及多通道数据音频数据以采样位数组织如下(n 为采样位数)：
+-- n bit---+---n bit---+-----+---n bit---+---n bit--+------+--n bit---+---n bit---+----------+
| channel1 | channel2 | ... | channel1 | channel2 | ... | channel1 | channel2 | ... |
+----------+----------+---------+----------+---------+----------+---------+----------+----------+
PCM的每个样本值包含在一个整数i中，i的长度为容纳指定样本长度所需的最小字节数。首先存储低有效字节，表示样本幅度的位放在i的高有效位上，剩下的位置为0。
计算机读入原始音频数据的方式与打开二进制文件相同。
#include <stdio.h>
#include <stdlib.h>
int main()
{
char *fn;
char *data;
FILE *fp;
int len;
fn = "./test.pcm";
fp = fopen(fn, "rb");
if(!fp) {
printf("file open failed.\n");
exit(1);
}
fseek(fp, 0, SEEK_END);
len = ftell(fp);
if(!len) {
printf("file is null.\n");
fclose(fp);
exit(1);
}
printf("file len = %d\n",len);
data = (char *)malloc(len);
fseek(fp, 0, SEEK_SET);
fread(data, sizeof(__int16_t), len/sizeof(__int16_t), fp);
fclose(fp);
printf("%.*s\n",1,data);
free(data);
return 0;
}三、wav文件
wav(Waveform Audio FIle Format),即波形声音文件，由微软公司开发，是最早的数字音频格式，音质与CD相差无几，但缺点是wav文件非常庞大，不利于数据传输。
struct waitor_wav_format
{
#pragma pack(1)
char riff_id[4]; // "RIFF",big-endian
__uint32_t file_len; // file length,little-endian
char wave_id[4]; // "WAVE“,big-endian
char fmt_id[4]; // "fmt",big-endian,beginning of fmt chunk
char transition[4]; // size of fmt chunk
__uint16_t fmt_type; // 1-PCM
__uint16_t channel; // 通道数
__uint16_t sample_rate; // 采样率
__uint32_t avg_bytes_per_sec; // sample_rate * block_align
__uint16_t block_align; // 每次采样大小
__uint16_t bit_per_second; // 采样精度
//__uint16_t cbsize // 附加数据大小
char data_id[4]; // "data"
__uint32_t audio_len; // 音频数据的长度
#pragma pack()
};wav文件分为3个(或4个)chunk，每个chunk基本格式为 chunk_id + chunk_size + chunk_data。总体结构为 文件头 wav_hdr + 音频数据 PCM格式。在解析wav文件时，可能会由于不同系统不同调制方式方式的不同增加几个额外的字节，这时应在数据结构中加入#pragma pack(1)，以设置对齐的方式空出额外长度。
int main()
{
waitor_wav_t *w;
char *fn, *audio;
// char buffer[4096];
int ret;
FILE *fp = fopen("./enc.ogg", "wb");
fn = "../data/test.wav";
w = waitor_wav_read(audio, fn); // 解析wav文件格式，转为二进制流voice
if(!w) {
printf("wavfile read failed.\n");
fclose(fp);
free(w);
exit(1);
}
printf(" chunk_id1 : %.*s\n", 4, w->riff_id);
printf(" file len : %d\n", w->file_len);
printf(" fomat : %.*s\n", 4, w->wave_id);
printf(" sub chunk id : %.*s\n", 4, w->fmt_id);
printf(" fmt type : %d\n", w->fmt_type);
printf(" channel : %d.\n", w->channel);
printf(" sample_rate : %d \n", w->sample_rate);
fclose(fp);
free(w);
return 0;
}四、MP3文件
MP3(Moving Picture Experts Group Audio Layer III)，是利用同名压缩技术，将音乐以1:10甚至1:12的压缩率压缩成容量较小的文件，并且能够保证损失音质极少，也因此成为网络音乐传输的主要格式。特点：兼具少损音质和小体积的特点，缺点是最高比特率是320K，高频部分一刀切，音质不高。
MPEG压缩有
MP3音频压缩包含编码和解码两个部分。编码是将WAV文件中的数据转换成高压缩率的位流形式,解码是接受位流并将其重建到WAV文件中。
MP3采用了感知音频编码(Perceptual Audio Coding)这一失真算法。人耳感受声音的频率范围是20Hz-220kHz,MP3截掉了大量的冗余信号和无关的信号,编码器通过混合滤波器组将原始声音变换到频率域,利用心理声学模型,估算刚好能被察觉到的噪声水平,再经过量化,转换成Huffman编码,形成MP3位流。解码器要简单得多,它的任务是从编码后的谱线成分中,经过反量化和逆变换,提取出声音信号。
在压缩音频数据时,先将原始声音数据分成固定的分块,然后作顺向MDCT变换,MDCT本身并不进行数据压缩,只是将一组时域数据转换成频域数据,以得知时域变化情况,顺向MDCT将每块的值转换为512个MDCT系数。量化使数据得到压缩,在对量化后的变换样值进行比特分配时要考虑使整个量化块最小,这就成为有损压缩了。解压时,经反向MDCT将512个系数还原成原始声音数据,前后的原始声音数据是不一致的,因为在压缩过程中,去掉了冗余和不相关数据。
MP3文件的详细格式参见以下两个博客：- MP3文件格式全解
-
MP3文件结构解析(超详细)
libmad库常被用来作为mp3解码器，不需要自己造轮子，基于libmad的mp3解码播放器参见：
基于libmad的解码播放器
接下来总结MP3文件的格式与libmad解码应用过程。
1、MPEG压缩格式
MP3文件格式分为三个部分：
标签头和标签帧数据结构，每个ID3V2都包含一个标签头和若干标签帧，而标签帧由帧头和至少一个字节的内容组成。
ID3V2有四个版本，但流行的只有ID3V2.3：
/* ID3V2 的标签头结构 */
struct ID3V2Header
{
#pragma pack(1)
unsigned char Header[3]; /* 保存的值比如为"ID3"表示是ID3V2 */
unsigned char Version; /* 如果是ID3V2.3则保存3,如果是ID3V2.4则保存4 */
unsigned char Revision; /* 副版本号 */
unsigned char Flag; /* 标志，使用高三位，其它位为0 */
unsigned char Size[4]; /* 整个标签帧大小，除去本结构体的 10 个字节 */
#pragma pack()
};
/* 标签帧帧头的结构 */
struct ID3V2Frame
{
#pragma pack(1)
unsigned char id[4]; /* 标志帧，说明其内容，例如作者/标题等*/
char size[4]; /* 标志帧大小 */
char flags[2]; /* 标志帧，只定义了6位 */
#pragma pack()
}ID3V1：
/* ID3V1信息结构 */
struct ID3V1
{
char Header[3]; /* 标签头"TAG",标识ID3V1 */
char Title[30]; /* 歌名 */
char Artist[30]; /* 作者 */
char Album[30]; /* 专辑 */
char Year[4]; /* 年份 */
char Comment[30]; /* 备注 */
char Genre; /* 类型 */
}音频数据帧由帧头和音频数据组成：
struct DataFrameHeader
{
unsigned int bzFrameSyncFlag1:8; /* 全为 1 */
unsigned int bzProtectBit:1; /* CRC */
unsigned int bzVersionInfo:4; /* 包括 mpeg 版本，layer 版本 */
unsigned int bzFrameSyncFlag2:3; /* 全为 1 */
unsigned int bzPrivateBit:1; /* 私有 */
unsigned int bzPaddingBit:1; /* 是否填充，1 填充，0 不填充
layer1 是 4 字节，其余的都是 1 字节 */
unsigned int bzSampleIndex:2; /* 采样率索引 */
unsigned int bzBitRateIndex:4; /* bit 率索引 */
unsigned int bzExternBits:6; /* 版权等，不关心 */
unsigned int bzCahnnelMod:2; /* 通道
* 00 - Stereo 01 - Joint Stereo
* 10 - Dual 11 - Single
*/
};2、MPEG解码(以libmad-0.15.1b源代码为例)
libmad运行demo为minimad.c，从其中的用法可以看出需要用户设置几个回调函数已控制程序运行。分别为input, output,header,filter 和error 。其中input实现mp3文件输入并转换为mad_stream,output实现根据用户需求对数据的再处理。
使用libmad几个封装好的基本结构如下：
/* 存储未解码的比特流 */
struct mad_stream {
unsigned char const *buffer; /* input bitstream buffer */
unsigned char const *bufend; /* end of buffer */
unsigned long skiplen; /* bytes to skip before next frame */
int sync; /* stream sync found */
unsigned long freerate; /* free bitrate (fixed) */
unsigned char const *this_frame; /* start of current frame */
unsigned char const *next_frame; /* start of next frame */
struct mad_bitptr ptr; /* current processing bit pointer */
struct mad_bitptr anc_ptr; /* ancillary bits pointer */
unsigned int anc_bitlen; /* number of ancillary bits */
unsigned char (*main_data)[MAD_BUFFER_MDLEN];
/* Layer III main_data() */
unsigned int md_len; /* bytes in main_data */
int options; /* decoding options (see below) */
enum mad_error error; /* error code (see above) */
};
/* 数据帧帧头 */
struct mad_header {
enum mad_layer layer; /* audio layer (1, 2, or 3) */
enum mad_mode mode; /* channel mode (see above) */
int mode_extension; /* additional mode info */
enum mad_emphasis emphasis; /* de-emphasis to use (see above) */
unsigned long bitrate; /* stream bitrate (bps) */
unsigned int samplerate; /* sampling frequency (Hz) */
unsigned short crc_check; /* frame CRC accumulator */
unsigned short crc_target; /* final target CRC checksum */
int flags; /* flags (see below) */
int private_bits; /* private bits (see below) */
mad_timer_t duration; /* audio playing time of frame */
};
/* 有效数据帧 */
struct mad_frame {
struct mad_header header; /* MPEG audio header */
int options; /* decoding options (from stream) */
mad_fixed_t sbsample[2][36][32]; /* synthesis subband filter samples */
mad_fixed_t (*overlap)[2][32][18]; /* Layer III block overlap data */
};
/* 采样后的PCM音频数据 */
struct mad_pcm {
unsigned int samplerate; /* sampling frequency (Hz) */
unsigned short channels; /* number of channels */
unsigned short length; /* number of samples per channel */
mad_fixed_t samples[2][1152]; /* PCM output samples [ch][sample] */
};
/* 解码后的音频数据 */
struct mad_synth {
mad_fixed_t filter[2][2][2][16][8]; /* polyphase filterbank outputs */
/* [ch][eo][peo][s][v] */
unsigned int phase; /* current processing phase */
struct mad_pcm pcm; /* PCM output */
};
/* 解码过程控制 */
enum mad_flow {
MAD_FLOW_CONTINUE = 0x0000, /* continue normally */
MAD_FLOW_STOP = 0x0010, /* stop decoding normally */
MAD_FLOW_BREAK = 0x0011, /* stop decoding and signal an error */
MAD_FLOW_IGNORE = 0x0020 /* ignore the current frame */
};libmad的示例程序流程如下，用户可以直接使用回调机制使用libmad，也可以使用decoder.c的接口按照需求获取中间数据。
五、OGG 文件 (参考：RFC 3533)
OGG(OGG Vobis)是一种新的音频压缩格式，类似于MP3等现有的音乐格式。完全免费，没有专利限制。Vorbis 是这种音频压缩机制的名字，OGG是一个计划的名字，该计划意图设计一个完全开放的多媒体系统，OGG Vorbis是该计划的一部分。
特点：支持多声道；现在创建的OGG文件可以在未来的任何播放器上播放，因此，这种文件格式可以不断地进行大小和音质的改良，而不影响既有的编码器和播放器；目前最好的有损格式之一，最高比特率500K。 1、相关概念
stream : 分为逻辑流与物理流，Ogg封装的结果称作物理流，一个物理流包含一个或多个逻辑流，这些逻辑流由ogg编码器创建，每个物理流中的逻辑流以一个特殊的页开始 -- bos，以一个特殊的页结束 -- eos；
physical bitstream with pages of
different logical bitstreams grouped and chained
-------------------------------------------------------------
|*A*|*B*|*C*|A|A|C|B|A|B|#A#|C|...|B|C|#B#|#C#|*D*|D|...|#D#|
-------------------------------------------------------------
bos bos bos eos eos eos bos eos
bos : beginning of stream; eos : end of stream
图中有两个物理流，第一个时序上有三个逻辑流ABC，分别以bos和eos为头尾；第二个只有一个逻辑流Dpacket : 一个解码单元，或是一帧数据；
segment : 由 packet 分割而成，一个segment 最多包含255格式bytes，segment没有header ；
page : 是 ogg 文件格式的基本组成单元，是对 segment 的封装，为几个连续的 segment 添加 header 构成 page;
2、音频格式剖析：
OGG文件基本构成单位是页(Page)，编码过程是由物理流向页转换的过程，OGG编码的主要过程如下：
逻辑流由若干个packet组成
-----------------------------------------------------------------
> | packet_1 | packet_2 | packet_3 | <
-----------------------------------------------------------------
|每个packet可以分成若干个segment
v
packet_1 (5 segments) packet_2 (4 segs) p_3 (2 segs)
------------------------------ -------------------- ------------
.. |seg_1|seg_2|seg_3|seg_4|s_5 | |seg_1|seg_2|seg_3|| |seg_1|s_2 | ..
------------------------------ -------------------- ------------
| 给连续的几个segment加上page header就组成了page
v
page_1 (packet_1 data) page_2 (pket_1 data) page_3 (packet_2 data)
------------------------ ---------------- ------------------------
|H|------------------- | |H|----------- | |H|------------------- |
|D||seg_1|seg_2|seg_3| | |D|seg_4|s_5 | | |D||seg_1|seg_2|seg_3| | ...
|R|------------------- | |R|----------- | |R|------------------- |
------------------------ ---------------- ------------------------
|
pages of |
other --------| |
logical -------
bitstreams | MUX |
-------
|
v
page_1 page_2 page_3
------ ------ ------- ----- -------
... || | || | || | || | || | ...
------ ------ ------- ----- -------
physical Ogg bitstream1)从编码器获得逻辑流的各个packet;
2)将packet分割成Segment，分片；
3)将Segment 打包成Page，页封装；
4)将多个已经封装 page 完毕的逻辑流按应用要求的时序关系合成物理流，从而获得 OGG文件，对于只包含一个 stream 的文件，这个过程可以没有；
3、OGG页结构
0 1 2 3
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1| Byte
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| capture_pattern: Magic number for page start "OggS" | 0-3
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| version | header_type | granule_position | 4-7
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| | 8-11
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| | bitstream_serial_number | 12-15
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| | page_sequence_number | 16-19
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| | CRC_checksum | 20-23
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| |page_segments | segment_table | 24-27
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| ... | 28-
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+1) 0~3字节：magic numbers，标识page开始；
2) version: 1字节；
3) page头类型：1字节：
位 0x01 : 1-该页包含前一页的连续的packet ；0- 该页和前后页无联系；
位 0x02 : 1- 该页为bos ; 0- 该页不是 bos；
位 0x04 : 1-该页为eos ; 0- 该页不是 eos ；
4) 位置信息: 8字节，对于音频
5) serial number: 4字节，唯一标识stream；
6) page sequence number: 4 字节，page序列号，为解码器提供页丢失标识，每个逻辑流中递增；
7) CRC校验和: 4字节；
8) number_page_segment : 1字节，segment table 中segment的个数；
9) segment table: 长度为 number_page_segment字节，每个字节对应一个segment的长度。
六、总结
总的来说，我了解了三种主流的音频文件格式，在以后的开发中打好了基础，但依然有一些不足，细节上不够深入，后续在接触后更新。libogg编解码ogg文件源码阅读进行中...参考资料
1、 维基百科-WAV
2、 音频格式比较
3、 https://blog.csdn.net/ljxt523/article/details/52068241
4、 MP3：https://wenku.baidu.com/view/a071bf4e852458fb770b56a0.html
5、 OGG：https://blog.csdn.net/yu_yuan_1314/article/details/16884313
- 分享
- 举报
微信扫码分享
QQ好友
暂无数据-
浏览量：3141次2022-04-12 09:57:34
-
浏览量：14732次2020-11-10 15:08:06
-
浏览量：1137次2023-08-10 14:03:57
-
浏览量：849次2023-12-25 15:42:30
-
浏览量：1372次2023-01-12 17:45:30
-
浏览量：1569次2023-10-24 18:27:46
-
2020-12-14 22:33:31
-
浏览量：1086次2023-12-26 16:33:04
-
浏览量：4290次2020-08-10 09:16:13
-
浏览量：1114次2023-12-21 17:20:27
-
浏览量：1159次2024-01-26 15:15:36
-
浏览量：2219次2020-01-07 10:55:38
-
浏览量：3516次2020-08-03 19:28:14
-
浏览量：4948次2021-04-26 17:29:53
-
浏览量：2065次2020-08-04 20:27:13
-
浏览量：1566次2023-04-19 09:06:13
-
浏览量：3031次2019-11-09 19:10:44
-
浏览量：986次2024-01-17 11:25:11
-
浏览量：2323次2023-11-17 09:00:06
在学了在学了！
人在车底，非常的菜。
-
104篇
-
广告/SPAM
-
恶意灌水
-
违规内容
-
文不对题
-
重复发帖
在学了在学了！
微信支付
举报类型
- 内容涉黄/赌/毒
- 内容侵权/抄袭
- 政治相关
- 涉嫌广告
- 侮辱谩骂
- 其他
详细说明
审核成功
审核失败
关注公众号
社区问题咨询：Ebaina-CN
定制需求咨询：xxqk158820
