wav音频文件的介绍

一. 什么是wav
保存的音频文件是wav(waveform audio file format)，wav是一种用于存储音频数据的文件格式，由微软和ibm联合开发。wav文件是无损的，存储的是原始音频数据，没有经过任意压缩或丢失信息。WAV 文件通常用于专业音频编辑、录音和音频播放。
wav文件格式
wav文件由多个块(chunk)组成，每个块都有特定的功能。以下是wav文件的基本结构：

char riff[4];    // "RIFF"
int filesize;    // 文件大小
char wave[4];      // "WAVE"

2. fmt块(格式块)：包含音频格式的信息，如采样率、声道数等，大小为16-18字节

char fmt_chunk_marker[4];  // "fmt "
int fmt_chunk_len;          // 格式块长度 (通常是16)
short audio_format;          // 音频格式 (1 表示 PCM)
short num_channels;          // 声道数 (1 单声道, 2 立体声)
int sample_rate;             // 采样率 (例如 44100 Hz)
int byte_rate;               // 每秒字节数 (sample_rate * num_channels * (bits_per_sample/8))
short frame_size;            // 每个样本的字节数 (num_channels * (bits_per_sample/8))
short bits_per_sample;       // 每个样本的位数 (例如 16)

fmt_chunk_len 是用于标识 fmt 块长度的字段，通常是 16，它告诉解析 WAV 文件的软件或库，fmt 块中包含了多少字节的数据。这有助于正确解析音频格式信息。
num_channels 字段表示音频数据的声道数。
3. data块(数据块)：包含实际的音频数据，大小取决于音频数据的长度

     char data_chunk_header[8];  // "data"
     int data_bytes;              // 数据字节数

二. 音频专业词的解释
常见的声道数包括：单声道 (Mono): 一个声道、立体声 (Stereo): 两个声道
单声道 (Mono)

• 定义：只有一个声道，意味着所有声音都从同一个通道输出，听起来像是来自同一个方向的声音。
• 用途：适合录制单一音源（如人声、乐器独奏等）。
• 文件大小：因为只有一个声道，所以文件大小比立体声小一半。

立体声 (Stereo)

• 定义：有两个声道，通常是左声道和右声道，可以提供空间感和方位感。
• 用途：适合音乐录制和播放，因为可以提供更好的听觉体验，感觉声音是来自不同的方向。
• 文件大小：因为有两个声道，所以文件大小大约是单声道的两倍。

在大多数情况下，单声道 是语音识别的首选。原因如下：

• 数据简化：单声道音频只需要处理一个声道的数据，简化了语音识别算法的实现和优化。
• 计算效率：处理单声道音频通常更快，更适合实时语音识别应用。
• 存储和传输：单声道文件更小，减少了存储和传输的成本。

采样频率(sample rate)是一个非常重要的参数，它决定了每秒钟从模拟信息中提取多少个样本。常见的采样频率包括有8,000 Hz (8 kHz)、16,000 Hz (16 kHz)、22,050 Hz (22.05 kHz)和44,100 Hz (44.1 kHz)等

8,000 Hz (8 kHz)特点：低采样率，数据量小。质量：音质较低，通常只适用于语音通信，如电话和无线电通话。应用场景：电话网络、语音识别系统、低带宽通信

16,000 Hz (16 kHz)特点：中等采样率，数据量适中。质量：比 8 kHz 好，但仍主要用于语音通信。
应用场景：语音识别、语音助手、一些视频会议系统

22,050 Hz (22.05 kHz)特点：中等偏高的采样率，数据量较大。质量：音质较好，适合某些音乐和高质量语音应用。应用场景：CD 音频的一半速率（CD 音频标准是 44.1 kHz），有时用于压缩音频文件、某些专业录音设备、一些广播和流媒体应用

44,100 Hz (44.1 kHz)特点：高采样率，数据量大。质量：高质量音频，几乎可以完美再现大部分人类听觉范围内的声音。应用场景：CD 音轨和数字音频文件、音乐制作和专业录音、多媒体应用、高质量音频流媒体

还可以一个一个试，就这几个常见的采样频率。
修改采样频率的代码
从原始音频数据生成一个具有指定采样率的新音频数据。它通过线性插值的方法实现重采样，并更新音频缓冲区的相应属性（数据、帧数和采样率）。

int resample_audio(audio_buffer_t *audio, int desired_sample_rate) {
    int original_sample_rate = audio->sample_rate;
    int original_length = audio->num_frames;
    int out_length = (int)round((double)original_length * (double)desired_sample_rate / (double)original_sample_rate);
    printf("Resampling: %d Hz -> %d Hz\n", original_sample_rate, desired_sample_rate);

    // 分配新的数据缓冲区
    float *resampled_data = (float *)malloc(out_length * sizeof(float));
    if (!resampled_data) {
        fprintf(stderr, "Memory allocation failed\n");
        return -1;
    }

    for (int i = 0; i < out_length; ++i) {
        double src_index = i * (double)original_sample_rate / (double)desired_sample_rate;
        int left_index = (int)floor(src_index);
        int right_index = (left_index + 1 < original_length) ? left_index + 1 : left_index;
        double fraction = src_index - left_index;

        // 边界检查
        if (left_index < 0) left_index = 0;
        if (right_index >= original_length) right_index = original_length - 1;

        resampled_data[i] = (1.0f - fraction) * audio->data[left_index] + fraction * audio->data[right_index];
    }

    // 更新 audio 缓冲区
    free(audio->data);
    audio->data = resampled_data;
    audio->num_frames = out_length;
    audio->sample_rate = desired_sample_rate;

    return 0;
}