实习生剪了一段三分钟的采访,导出 WAV,文件三十一点七兆。微信传不过去,他以为软件忘了压缩,又导出了一次,还是三十多兆。后来他把同一段内容导成 MP3,只有两兆多,于是认定「WAV 有问题」。
WAV 没有问题,它只是没有压缩。里面装的是 PCM,也就是把每个采样点的整数原样排好。三分钟、双声道、44.1kHz、16 位的账,算下来就是三十多兆,一个字节都省不掉。MP3 之所以小,是因为它扔掉了听觉上不重要的信息,而 PCM 一个都没扔。
这篇把 PCM 这条「裸流」拆开:三个参数怎么决定体积、WAV 头的每个字段是什么意思、左右声道在字节里怎么交错、为什么小端字节序会让新手读错,最后用 Python 标准库亲手生成一个 WAV,并打印它的真实字节数。下一篇再讲 MP3 是怎么在这条裸流上做减法的。
| 现象 | 真实原因 | 第一步查什么 |
|---|---|---|
| 三分钟采访的 WAV 有三十多兆 | PCM 不压缩,按采样率乘声道乘位深原样存 | 用公式算一遍字节数,确认文件大小是否符合预期 |
| 同样时长手机录的音只有一两兆 | 手机默认用 AAC 或 Opus 有损编码,不是 PCM | 看文件容器和编码格式,不要只看扩展名 |
| 播放器把 WAV 放成刺耳噪声 | 头字段写错,或者把大端数据当小端读 | 用标准库解析头,核对采样率、声道、位深和字节序 |
| 左右声道听起来错位或相位不对 | 交错顺序写成了右左,或者用了平面排列却声明成交错 | 读前三帧,确认第一个样本属于左声道 |
| 剪辑软件显示时长只有零点几秒 | RIFF 长度或 data 块长度填错,软件按错误长度截断 | 核对偏移 4 和偏移 40 的两个长度字段 |
| 8 位 WAV 一放就失真 | 8 位 PCM 是无符号偏移码,不是有符号整数 | 确认位深和符号约定,必要时先减去 128 |
| 24 位 WAV 读出来的数值大得离谱 | 24 位样本打包成 3 字节,不能按 4 字节整数解析 | 按 3 字节逐个解包,再处理符号位 |
| 超过两小时的文件打不开 | 老式 RIFF 的长度字段是 32 位,最大约 4GB | 看是否需要 RF64 或分段,不要一直往一个 WAV 里追加 |
PCM 的三个参数:采样率、位深、声道
PCM 是 Pulse Code Modulation 的缩写,中文叫脉冲编码调制。名字听起来复杂,做的事很朴素:按固定间隔取声音的幅度,把每个幅度记成一个整数,再按顺序存起来。它不预测、不找重复、不丢细节,所以叫无损、无压缩的原始表示。
这三个参数决定了两件事:声音能保留多少信息,以及文件有多大。采样率越高,能记录的高频越多;位深越大,幅度越细;声道越多,空间感越强。代价都是线性增长的,参数翻倍,体积基本也翻倍。
PCM 本身只是一串整数样本,不带文件结构。它需要装进一个容器里,常见的有 WAV、AIFF、CAF,以及视频文件里的 PCM 轨道。容器负责写头、写声道数、写采样率,PCM 负责写样本。所以严格来说,WAV 不是编码格式,而是容器格式;同一个 WAV 里也可能装 ADPCM 或浮点数据。
位深的约定比数字本身更容易出错。8 位 PCM 通常是无符号偏移码,0 表示最低,128 表示零,255 表示最高;16 位是有符号整数,范围从负 32768 到正 32767;24 位同样有符号,但打包成 3 个字节。同一个数值在不同约定下含义完全不同,读文件前必须先看头部怎么声明,不能凭扩展名判断。
一秒钟多少字节:先把账算清楚
字节数的公式很短:采样率乘时长乘声道数乘每个样本的字节数。16 位样本占 2 字节,24 位占 3 字节,32 位浮点占 4 字节。8 位占 1 字节,但如前所述,它的数值约定和 16 位不一样。
| 格式 | 时长 | 字节数 | 约合 |
|---|---|---|---|
| 48kHz 单声道 16 位 | 1 秒 | 96,000 | 0.09 MiB |
| 48kHz 立体声 16 位 | 60 秒 | 11,520,000 | 10.99 MiB |
| 44.1kHz 立体声 16 位 | 180 秒 | 31,752,000 | 30.28 MiB |
| 48kHz 立体声 24 位 | 60 秒 | 17,280,000 | 16.48 MiB |
| 44.1kHz 立体声 16 位 | 3 秒 | 529,200 | 0.50 MiB |
这张表里的数字都是脚本实际算出来的,不是估的。三分钟采访那行是 31,752,000 字节,加上 44 字节文件头,和实习生看到的「三十一点七兆」基本一致。同样内容用 128kbps 的 MP3,理论上是 128000 乘 180 除以 8,也就是 2,880,000 字节,大约十一比一。
换算时容易踩两个坑。第一,存储厂商用十进制,1MB 等于一百万字节;操作系统常用二进制,1MiB 等于 1,048,576 字节。31,752,000 字节按十进制是 31.75MB,按二进制是 30.28MiB,两个说法都没错,但做容量规划时要统一口径。第二,码率用的是比特每秒,文件大小用的是字节,中间要除以 8。
还有一个隐藏变量:文件头和数据块头。标准 WAV 头 44 字节,对三分钟文件可以忽略;但对几百个几十毫秒的小文件,每个都带 44 字节,开销就不能不算。做切片或流式传输时,头部的固定成本会变得明显。
把字节数换算成码率也有用。44.1kHz 立体声 16 位的码率是 44100 乘 2 乘 16,等于 1,411,200 比特每秒,也就是常说的 1411kbps。看到这个数字,就能理解为什么网络音频要压到 128kbps 左右:不压的话,一首歌的流量相当于十几路电话。
另外,WAV 的块长度按字节计,块与块之间如果出现奇数长度,还要补一个填充字节,保证下一个块从偶数地址开始。PCM 16 位的 data 块长度总是偶数,通常碰不到;但带文本元数据的块可能触发这个规则,手写解析器要记得跳过填充字节。
WAV 头拆开:44 个字节里写了什么
WAV 用 RIFF 结构,把文件分成若干个块。每个块以四字节标识开头,接着是四字节长度,再后面是内容。最少见的组合是三个块:RIFF 总块、fmt 格式块、data 数据块。标准 PCM 的头部正好 44 字节。
下面是亲手生成的 3 秒立体声 WAV 的头字段。文件是 44.1kHz、双声道、16 位,左声道 440Hz,右声道 660Hz,数据区 529,200 字节。
| 偏移 | 字段 | 字节数 | 本例的值 |
|---|---|---|---|
| 0 | RIFF 标识 | 4 | 52 49 46 46,也就是 RIFF |
| 4 | RIFF 块长度 | 4 | 529,236,等于文件总长减 8 |
| 8 | WAVE 标识 | 4 | 57 41 56 45 |
| 12 | fmt 块标识 | 4 | 66 6D 74 20,注意末尾空格 |
| 16 | fmt 块长度 | 4 | 16,PCM 固定为 16 |
| 20 | 音频格式 | 2 | 1,表示 PCM |
| 22 | 声道数 | 2 | 2 |
| 24 | 采样率 | 4 | 44,100 |
| 28 | 字节率 | 4 | 176,400,每秒字节数 |
| 32 | 块对齐 | 2 | 4,每帧字节数 |
| 34 | 位深 | 2 | 16 |
| 36 | data 块标识 | 4 | 64 61 74 61 |
| 40 | data 块长度 | 4 | 529,200,样本区字节数 |
实际文件开头 24 个字节是:52 49 46 46 54 13 08 00 57 41 56 45 66 6D 74 20 10 00 00 00 01 00 02 00。前四字节是 RIFF;接下来四字节 54 13 08 00 按小端读是 0x00081354,也就是 529,236;再四字节是 WAVE;再四字节是 66 6D 74 20,也就是带空格的 fmt;然后 10 00 00 00 是 16;最后 01 00 是 PCM,02 00 是双声道。
两个长度字段容易写错。RIFF 块长度是「文件总长减 8」,因为前 8 个字节本身不算在块内;data 块长度是样本区的字节数,不包含 8 字节块头。这两个值填错时,有的播放器能容错,有的剪辑软件会直接按错误长度截断,表现成「时长只有零点几秒」或者「文件尾部打不开」。
当声道数超过两个,或者位深是 24 位以上时,fmt 块可能扩展到 18 或 40 字节,音频格式字段变成 0xFFFE,后面跟着通道掩码和子格式 GUID。这时不能按固定的 16 字节去读,必须先看 fmt 长度。很多「5.1 WAV 读出来只有两声道」的问题,就是解析器把扩展块当成了普通 PCM,后面的通道信息全被忽略。
交错与字节序:左右声道怎么排
立体声 PCM 通常按帧交错存放:先左声道一个样本,再右声道一个样本,然后才是下一帧。一帧包含所有声道在同一时刻的样本,所以 16 位立体声的一帧是 4 字节。这样存放的好处是播放器可以顺序读完一帧就送出去,不用在两片大缓冲区之间跳来跳去。
用标准库的 wave 模块读刚才那个文件的前三帧,得到的整数是 (0, 0, 1437, 2154, 2868, 4288)。第一帧左右都是 0,因为正弦在起点为 0;第二帧左 1437、右 2154;第三帧左 2868、右 4288。可以看到右声道的 660Hz 变化比左声道的 440Hz 快,数值增长也更明显。
字节序指的是多字节整数在内存里的排列顺序。WAV 规定用小端:低位字节在前。1437 的十六进制是 0x059D,写进文件时先写 9D 再写 05。如果你用大端解析,读出来的值会完全对不上,听起来就像随机噪声或者极小的音量。
8 位 PCM 是一个特例。它通常是无符号的,0 表示负满量程,128 表示零,255 表示正满量程。16 位和 24 位则是有符号的,零在中间。把 8 位数据直接当有符号数读,波形会整体偏移,听起来失真严重。处理旧素材时要先确认这一点。
24 位 PCM 也有坑。每个样本占 3 字节,既不是 2 也不是 4,很多语言没有现成的 3 字节整数类型。常见做法是按字节数组读取,再拼成 32 位整数并做符号扩展。有些工具为了对齐,会把 24 位样本存成 4 字节,那是另一种约定,头部会写明,不能混着读。
超过两个声道时,WAV 常用 WAVE_FORMAT_EXTENSIBLE,在 fmt 块后面追加通道掩码,说明哪个声道是左、右、中置、低频效果。只靠声道数无法判断顺序,尤其在做 5.1 或全景声时。读这类文件不能只看前 16 字节的 fmt。
交错也不是唯一的存放方式。有些专业工具和音频库支持平面排列,先存完左声道的所有样本,再存右声道;这种布局对按声道做算法更友好,但不适合流式播放。WAV 默认是交错,AIFF 也是,某些 CAF 和 RAW 文件可能是平面。格式说明里没写清楚时,不要靠猜,读一段已知信号对比最稳。
亲手写一个 WAV:真实字节数
下面这段代码只用标准库,把 3 秒的双声道正弦写成 WAV。它手动拼 RIFF、fmt、data 三个块,写完后再用 wave 模块读回来验证。为了避免浮点误差,样本在写入前四舍五入成 16 位整数。
import struct, math, wave
def build_wav(path, seconds=3.0, sr=44100, amp=0.7):
n = int(sr * seconds)
frames = []
for i in range(n):
l = int(round(amp * 32767 * math.sin(2 * math.pi * 440 * i / sr)))
r = int(round(amp * 32767 * math.sin(2 * math.pi * 660 * i / sr)))
frames.append(struct.pack("<hh", l, r))
data = b"".join(frames)
fmt = struct.pack("<HHIIHH", 1, 2, sr, sr * 4, 4, 16)
riff_size = 4 + (8 + len(fmt)) + (8 + len(data))
header = b"RIFF" + struct.pack("<I", riff_size) + b"WAVE"
header += b"fmt " + struct.pack("<I", len(fmt)) + fmt
header += b"data" + struct.pack("<I", len(data))
with open(path, "wb") as f:
f.write(header + data)
print(f"frames={n} data={len(data)} header={len(header)} "
f"file={len(header) + len(data)} riff={riff_size}")
path = r"C:\Users\c1805\AppData\Local\Temp\sine_stereo.wav"
build_wav(path)
with wave.open(path, "rb") as w:
print("channels=%d width=%d rate=%d frames=%d"
% (w.getnchannels(), w.getsampwidth(),
w.getframerate(), w.getnframes()))
本机 Python 3.15 实际输出:
frames=132300 data=529200 header=44 file=529244 riff=529236
channels=2 width=2 rate=44100 frames=132300
132,300 帧对应 3 秒乘 44,100,数据区 529,200 字节,文件 529,244 字节,头部 44 字节。用 wave 读回来,声道数、样本宽度、采样率、帧数都和写入时一致。解析前三帧得到 (0, 0, 1437, 2154, 2868, 4288),说明交错顺序和字节序都对。
这个例子还说明一件事:WAV 格式没有魔法,它就是一串约定好的字节。你可以用十几个字节的代码生成它,也可以用同样的方式解析它。遇到「播放器读不出来」的文件,先按块遍历、核对长度字段,比反复换播放器有效得多。如果读回的帧数和写入时对不上,先检查 data 块长度有没有被截断,再检查采样率字段是不是被误写成了其他类型。
边界与代价:PCM 适合什么,不适合什么
PCM 的优点很直接:解码几乎不需要计算,逐样本可寻址,编辑和剪辑友好,任何语言都能读写,音质只受采样率和位深限制。它适合归档母版、录音棚中间文件、需要精确对齐的多轨工程,以及短语音的本地处理。
缺点同样直接:体积大,不适合网络传输和移动存储。三分钟三十多兆,一张专辑十首歌就是三百多兆;一场两小时的会议录音,48kHz 立体声 16 位要六百多兆。带宽和存储成本会把 PCM 挡在分发环节之外。
| 场景 | 适合的格式 | 原因 |
|---|---|---|
| 录音棚母版、后期工程 | PCM WAV,24 位或 32 位浮点 | 无损、可逐样本编辑,给后期留余量 |
| 网页或 App 播放 | AAC、Opus、MP3 | 体积小,能适应带宽波动 |
| 实时通话 | Opus、AMR、G.711 | 低延迟、低码率,丢包有补偿机制 |
| 语音识别输入 | 16kHz 单声道 PCM | 模型通常按这个规格训练,避免额外重采样 |
| 长时间归档 | FLAC 或 PCM,配合校验 | 无损,FLAC 能省一半左右空间 |
还有一个容量边界:传统 RIFF 的长度字段是 32 位,单个文件最大约 4GB。按 48kHz 立体声 16 位算,大约 6 小时出头。超过这个长度要用 RF64 或分段录制,不能指望播放器都支持。长时间直播录制时,最好按小时切文件,别等写到 4GB 才发现失败。按小时切还能降低单文件损坏的风险,一段坏了不至于整场报废。
浮点 PCM 也值得单独说一句。32 位浮点的动态范围远大于 16 位整数,中途做增益、混音、滤波时不容易削波,适合后期。但它的「24 位有效精度」并不意味着录进来的模拟信号真的有那么干净;而且文件比 24 位整数大三分之一,交付时通常还是要转回整数。
PCM 的可寻址性也有代价:它让文件可以按任意时间点定位,但前提是播放器知道每个样本的确切位置。可变位深、可变声道或者平面排列都会破坏这个假设。自己设计格式时,如果希望保留随机访问,最好把帧长和每帧字节数固定下来,不要一边流式写一边改结构。
当天能自己验证的五个练习
- 用上面的
build_wav()生成 1 秒单声道 48kHz 文件,算出手写头和wave读回的帧数是否一致。 - 把代码里的采样率改成 44100、声道改成 1,重新算文件大小,验证公式和实际字节数是否吻合。
- 用十六进制查看器打开生成的文件,找到偏移 4 和偏移 40 的两个长度,手工核对它们和文件大小、数据区大小的关系。
- 把
struct.pack("<hh")改成大端写法,生成一个「错误」的文件,用播放器打开,记录它的表现。 - 找一段真实的 WAV,按块遍历打印每个块的标识和长度,确认 data 块不一定在偏移 36。
小结
三句话:PCM 是把采样点原样存成整数的裸流,体积由采样率、位深、声道三个参数直接决定;WAV 是装 PCM 的容器,44 字节头里最关键的是格式、声道、采样率和两个长度字段;交错顺序与小端字节序决定了解析是否正确,读错任何一个都会变成噪声。
下一篇讲 MP3。同样一段三分钟音频,PCM 要三十多兆,MP3 只要两兆多,差距不是靠「更聪明的压缩」硬省出来的,而是靠心理声学扔掉了大量人耳不敏感的内容。它是怎么判断哪些该扔、扔了之后为什么还听不出来,是下一节的主题。