2. 数字音频格式：PCM编码原理、采样率与位深、文件结构解析

做音频处理这么多年，我始终觉得数字音频格式是绕不开的基石。你想想看，无论你后面做降噪、做编解码、还是做语音增强，最终面对的都是那一串冰冷的二进制数。怎么来的？怎么存的？搞明白这些，后面的路才走得踏实。

这一章我们就从最底层的PCM编码讲起，聊聊采样率和位深这些“老生常谈”的概念，再动手拆一拆WAV和AIFF的文件结构。嗯，都是些基本功，但往往基本功越扎实，后面遇到坑的时候越能从容应对。

2.1 PCM编码原理

PCM，全称Pulse Code Modulation，脉冲编码调制。说白了，就是把连续的模拟信号变成离散的数字信号。这个过程分三步：采样、量化、编码。

核心流程：模拟信号 → 采样（时间离散化） → 量化（幅度离散化） → 编码（二进制表示） → 数字信号

我刚开始学的时候，总觉得这玩意儿很抽象。后来自己用示波器看过模拟波形，再用逻辑分析仪抓过数字输出，一下子就通了。模拟信号是连续的，像一条光滑的曲线；数字信号是离散的，像一个个台阶。台阶越密、越细，就越接近原来的曲线。

具体来说：

采样：每隔固定时间取一个样值。这个时间间隔的倒数就是采样率。
量化：把采样得到的电压值归到最近的量化等级上。等级总数由位深决定。
编码：把量化后的等级用二进制数表示出来。比如16bit就是用一个16位的二进制数表示一个样点。

这里有个关键点——量化误差。你想想看，模拟值是连续的，量化等级是有限的，归整的时候必然会有误差。这个误差就是量化噪声。我在做一款低功耗语音唤醒芯片时，就遇到过量化噪声被后续放大器放大导致误唤醒的问题。后来把位深从16bit提到24bit，问题就解决了。说白了，量化噪声是PCM天生的，你只能控制它，不能消灭它。

2.2 常见的采样率与位深

采样率和位深是数字音频的两个核心参数。它们直接决定了音频的质量和数据量。

2.2.1 采样率

采样率决定了频率范围。根据奈奎斯特采样定理，采样率必须大于信号最高频率的两倍，才能无失真地重建信号。

采样率	典型应用场景	最高可表示频率
8 kHz	电话语音、对讲机、早期VoIP	4 kHz
16 kHz	宽带语音、语音识别、语音通信	8 kHz
44.1 kHz	CD音质、音乐播放、专业音频	22.05 kHz
48 kHz	影视音频、DVD、专业录音棚	24 kHz

我个人习惯在语音项目里用16kHz，因为人声的主要能量集中在4kHz以下，16kHz采样绰绰有余，还能省带宽和存储。但做音乐处理时，我一般用44.1kHz或48kHz，毕竟人耳理论上能听到20kHz，得留够余量。

避坑指南：我曾经在一个项目里直接用48kHz采样率处理8kHz的电话录音，结果发现高频全是噪声。后来才意识到，录音本身最高只有4kHz，48kHz采样只是把噪声也采进来了。采样率不是越高越好，要和信号带宽匹配。

2.2.2 位深

位深决定了动态范围。每增加1bit，动态范围增加约6dB。16bit的动态范围是96dB，24bit是144dB，32bit是192dB。

位深	动态范围	量化等级数	典型应用
16bit	96 dB	65,536	CD、WAV文件、语音通信
24bit	144 dB	16,777,216	录音棚、专业音频处理
32bit	192 dB	4,294,967,296	高精度音频、科学测量

你可能会问，32bit的192dB动态范围，现实中根本用不到啊？没错，但32bit浮点格式在DSP处理中非常有用。因为浮点运算不会像定点数那样容易溢出，做滤波、混音的时候省心很多。我在做多路混音算法时，就吃过16bit定点溢出的亏，后来改用32bit浮点，世界清净了。

2.3 WAV与AIFF文件结构解析

WAV和AIFF是两种最常见的未压缩音频文件格式。它们都基于RIFF（Resource Interchange File Format）结构，说白了就是“块”的嵌套。

2.3.1 WAV文件结构

WAV文件由若干个Chunk（块）组成。最基本的三个块是：

RIFF Chunk：文件头，标识文件类型为WAVE。
fmt Chunk：格式块，描述音频格式、声道数、采样率、位深等参数。
data Chunk：数据块，存放实际的PCM采样数据。

下面是一个典型的WAV文件结构示意图：

写代码解析WAV文件时，我建议你按以下步骤来：

读取前4字节，确认是'RIFF'。
读取4字节文件大小（注意小端序）。
读取4字节格式类型，确认是'WAVE'。
循环读取子块，根据块标识（'fmt '或'data'）分别处理。
解析fmt块，提取采样率、位深、声道数等参数。
读取data块，得到PCM数据。

注意：WAV文件使用小端字节序（Little-Endian）。如果你在ARM或x86平台上解析，直接读就行；但如果在某些大端序的DSP上，记得做字节序转换。我曾经在一个PowerPC架构的嵌入式平台上栽过这个跟头，读出来的采样率是65535，吓我一跳。

2.3.2 AIFF文件结构

AIFF是Apple公司推出的格式，和WAV类似，也是基于块结构。但有几个关键区别：

字节序：AIFF使用大端序（Big-Endian）。
数据格式：AIFF默认使用有符号整数，而WAV使用有符号整数（16bit及以上）或无符号整数（8bit）。
块标识：AIFF的格式块叫'COMM'，数据块叫'SSND'。

特性	WAV	AIFF
字节序	小端（Little-Endian）	大端（Big-Endian）
格式块标识	'fmt '	'COMM'
数据块标识	'data'	'SSND'
采样数据格式	有符号/无符号整数	有符号整数
扩展名	.wav	.aiff / .aif

AIFF的COMM块结构如下：

typedef struct {
    uint32_t  chunkID;       // 'COMM'
    uint32_t  chunkSize;     // 块大小（不含ID和Size字段）
    uint16_t  numChannels;   // 声道数
    uint32_t  numSampleFrames; // 采样帧数
    uint16_t  sampleSize;    // 位深（bit）
    uint16_t  sampleRate[5]; // 采样率（80-bit浮点，IEEE 754 extended）
} COMMChunk;

这里有个坑——采样率字段是80-bit浮点数。我第一次解析AIFF时，看到这个字段直接懵了。后来查了文档才知道，Apple用了一种古老的浮点格式。实际开发中，我建议你直接忽略这个字段，从文件的其他地方获取采样率信息，或者用现成的库来解析。

实用建议：如果你在嵌入式平台上做音频开发，我建议优先使用WAV格式。原因有三：一是小端序和大多数CPU一致，省去字节序转换；二是WAV的解析逻辑更简单，代码量少；三是WAV的兼容性更好，几乎所有平台都支持。AIFF在Apple生态里用得比较多，跨平台时尽量避开。

2.4 数据量与带宽计算

搞清楚了采样率和位深，我们就能算出一段音频的数据量了。公式很简单：

数据量（字节/秒） = 采样率 × 位深 / 8 × 声道数

举个例子：

CD音质（44.1kHz, 16bit, 立体声）：44,100 × 16 / 8 × 2 = 176,400 字节/秒 ≈ 172 KB/s
电话语音（8kHz, 16bit, 单声道）：8,000 × 16 / 8 × 1 = 16,000 字节/秒 ≈ 15.6 KB/s
录音棚（48kHz, 24bit, 立体声）：48,000 × 24 / 8 × 2 = 288,000 字节/秒 ≈ 281 KB/s

这个计算在嵌入式系统里特别重要。我曾经做一个蓝牙音频项目，需要实时传输PCM数据。算了一下带宽，发现蓝牙的A2DP链路根本扛不住48kHz/24bit的立体声。后来降到了44.1kHz/16bit，再配合适当的压缩，才勉强跑通。你想想看，如果不提前算好带宽，等硬件做出来才发现跑不动，那可就麻烦了。

关键公式：数据量（MB/分钟） = 采样率（Hz） × 位深（bit） / 8 × 声道数 × 60 / 1024 / 1024

嗯，这一章的内容就这些。PCM编码是数字音频的起点，采样率和位深决定了音频的质量天花板，WAV和AIFF则是我们和音频数据打交道的日常工具。把这些基础搞扎实了，后面讲编解码、讲音频处理算法的时候，你就能更专注于算法本身，而不是被文件格式这种琐事绊住手脚。

📚 课程目录

2. 数字音频格式：PCM编码原理、采样率与位深、文件结构解析

2.1 PCM编码原理

2.2 常见的采样率与位深

2.2.1 采样率

2.2.2 位深

2.3 WAV与AIFF文件结构解析

2.3.1 WAV文件结构

2.3.2 AIFF文件结构

2.4 数据量与带宽计算