音频数据如何以原始 pcm 格式存储？

Question

我正在编写一个应用程序来操作音频，我首先需要将文件（wav、MP3 等）转换为原始数据（样本显示为浮点数）。

我在 cmd 中使用 ffmpeg：

ffmpeg -i test.wav -f s16le -acodec pcm_s16le output.dat

样本如何在 output.dat文件中？我知道一个样本在 S16 下需要两个字节，双通道意味着它存储为 L1 R1 L2 R2 ...但是这个文件是否带有帧演示或 dat 文件中的所有字节都是样本值？两种方法转换后的test.wav文件大小不一样。一个是通过libav使用ffmpeg网站上的示例代码，另一个是上面提到的，直接在cmd中使用ffmpeg.exe，前一种方法给我的文件大小略小。当我发现有人说pcm使用框架演示时我很困惑（每帧 2048 个样本）。

我实际上不需要任何代码，但希望有人可以详细解释原始 pcm 格式。

非常感谢

Answer 1

从位深度为 16 位、采样率为 44,100 kHz 的立体声 wav 文件开始，您有一个标准的 CD 质量音频文件……在命令行上发出此命令以在文件上显示此类统计信息

ffprobe Cesária_Évora.wav

典型输出

  Duration: 00:00:21.51, bitrate: 1411 kb/s
    Stream #0:0: Audio: pcm_s16le ([1][0][0][0] / 0x0001), 44100 Hz, 2 channels, s16, 1411 kb/s

从 wav 问题创建一个 PCM 文件

ffmpeg -i Cesária_Évora.wav -f s16le -acodec pcm_s16le cesaria.dat

请注意，wav 文件只是一个 44 字节的标头，后跟有效载荷，它是 PCM 格式的原始音频曲线……这个 PCM 文件严格来说是 L1 R1 L2 R2 仅此而已……任何帧的概念都是我们如何在没有专用于实现帧的位（如开始/结束标记）的情况下解析数据......编写代码来操作 PCM 数据请记住您的位深度以及您的文件是否具有小端或大端字节结构...每当您的文件的位深为 8 位时，您就可以安全地忽略字节序，因为您永远不需要移动字节，但是由于上述文件的位深为 16 位，这意味着音频曲线的每个点都由单个表示每通道 16 位数字（立体声为两通道，单声道为一通道）

当读取这样的文件时，这个 16 位数字存储在两个字节中......如果在读取字节时为小端，最左边的字节（在循环中遍历文件时首先遇到）是最小字节，然后是下一个字节更重要的字节含义

L1 R1 L2 R2 

下面我们表示音频曲线上两个 16 位点的立体声表示

Llittle1 Lbig1 Rlittle1 Rbig1 Llittle2 Lbig2 Rlittle2 Rbig2

当我们谈到用于存储这两个点的单个字节时……上面的注释显示了 8 个字节……类似地，如果我们的位深度为 24 个字节，那么对于一个通道上的一个原始音频样本，它将是以下内容

Llittle1 Lbigger1 Lbiggest1 Rlittle1 Rbigger1 Rbiggest1  

所以从概念上讲，当读取位深为 16 位的小字节序文件时，这里是如何解析原始音频曲线上一个通道的 PCM

Llittle1 Lbig1

现在要生成单个值，L1您在概念上执行此操作

L1 = ( Lbig1 << shift 8 bits to left ) + Llittle1

不确定这是否是您正在寻找的抽象级别，但它是确定数字音频的垫脚石

超级有用的工具Audacity允许您导入我们上面生成的 PCM 格式的原始音频文件 cesaria.dat ... Audacity -> 文件 -> 导入 -> 原始数据 -> 选择 cesaria.dat ->

Answer 2

-f s16le生成没有标题/预告片或任何元数据的原始样本转储。所以，这就是L1 R1 C1 L2 R2 C2...LRC 代表 3 个通道的地方。

当 ffmpeg 读取这样的文件时，它将一次从每个通道读取并构建 1024 个样本，除非sampling rate/25小于 1024，在这种情况下，它将读取并打包这些样本，例如对于 16000 Hz 的流，sampling rate/25= 640，其中小于1024。因此，ffmpeg 将打包640x2此类1280立体声流的样本。