WAV（波形声音文件）是最常见的声音文件格式之一，是微软公司专门为Windows开发的一种标准数字音频文件，该文件能记录各种单声道或立体声的声音信息，并能保证声音不失真。

1. WAV文件格式

通常在ASR（语音识别）等使用的PCM音频文件
PCM（脉冲编码调制，PulseCodeModulation）是对连续变化的模拟信号进行抽样、量化和编码产生的数字信号。
在读取前需要通过FFmpeg工具转换

# MP3转WAV例子
ffmpeg -i input.mp3 -acodec pcm_s16le -ar 16000 -ac 1 output.wav

• -i 输入文件
• -acodec pcm_s16le 设置输出文件（acodec）是16位小端模式的采样（pcm_s16le）
  s(signed)代表有符号，16代表量化位数为16位，le(little endian)为小端存储（先存低字节，再存高字节）
• -ac 1 声道数为1（单声道）

1.1 WAV文件格式解析

具体内容：

第一块RIFF（共12字节）：
ChunkID：4字节，值为b’RIFF’
ChunkSize：4字节，值为文件总字节数减8
Format：4字节，值为b’WAVE’
（‌注：RIFF（Resource Interchange File Format）是指资源互换文件格式）

第二块fmt（共24字节）：
Subchunk1ID：4字节，值为b’fmt’
Subchunk1Size：4字节，值为16，实际为后面这块内容所占的字节数即24-8=16
AudioFormat：2字节，值为1，表示为PCM格式
NumChannels：2字节，声道数，值为1，表示为单声道
SampleRate：4字节，采样率，值为16000，
ByteRate：4字节，音频码率，值为32000，音频码率=声道数*采样率*量化位数/8
BlockAlign：2字节，值为2，表示为每个采样点的字节数=声道数*量化位数/8
BytePerSample：2字节，量化位数，值为16
（‌注：AudioFormat有4种：

）

第三块data（共8+SubChunkSize2字节）：
Subchunk2ID：4字节，值为b’data’
Subchunk2Size：4字节，音频数据长度
data：Subchunk2Size字节

2. Python读取WAV文件方式

2.1 通过wave模块读取

import wave

with wave.open("example.wav", "rb") as wav_file:
    params = wav_file.getparams()
    print(params)
    frames = wav_file.readframes(params.nframes)
    print(len(frames), frames[:10])

测试结果

• nchannels=1 单声道（与ffmpeg中-ac 1一致）
• sampwidth=2 每个元素2字节（与ffmpeg中-acodec pcm_s16le一致，16为2字节）
• framerate=16000 采样率16000（与ffmpeg中-ar 16000一致）
• nframes=1127530 总长度
• comptype=‘NONE’
• compname=‘not compressed’

读取WAV音频函数定义：

def readframes(self, nframes):
        ......
        return data

因此也可以通过一下方式直接读取音频

with wave.open("example.wav", "rb") as wav_file:
	frames = wav_file.readframes(wav_file.getnframes())

2.2 通过struct模块解析二进制文件

import struct

with open("example.wav", "rb") as wav_file:
    data = wav_file.read()
riff_header = data[:12]
riff_id, riff_size, format = struct.unpack('<4sI4s', riff_header)
print(riff_id, riff_size, format)

format_chuck = data[12:20]
fmt, fmt_size = struct.unpack('<4sI', format_chuck)
print(fmt, fmt_size)
assert fmt_size == 16

format_data = data[20:36]
audio_format, channels, sample_rate, bytes_per_sec, block_align, bytes_per_sample = struct.unpack('<HHIIHH', format_data)
print(audio_format, channels, sample_rate, bytes_per_sec, block_align, bytes_per_sample)
assert audio_format == 1

data_chuck = data[36:44]
data_id, data_size = struct.unpack('<4sI', data_chuck)
print(data_id, data_size)

frames = data[44:44+data_size]
print(len(frames), frames[:10])

运行结果

• channels=1 单声道（与ffmpeg中-ac 1一致）
• sample_rate=16000 采样率16000（与ffmpeg中-ar 16000一致）
• bytes_per_sample =16 （与ffmpeg中-acodec pcm_s16le一致）