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。

采样率:每秒取多少个点,常见 8kHz、16kHz、44.1kHz、48kHz
位深:每个点用多少位整数表示,常见 8、16、24、32 位浮点
声道与排列:单声道、立体声,样本是交错存放还是分平面存放

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96,0000.09 MiB
48kHz 立体声 16 位60 秒11,520,00010.99 MiB
44.1kHz 立体声 16 位180 秒31,752,00030.28 MiB
48kHz 立体声 24 位60 秒17,280,00016.48 MiB
44.1kHz 立体声 16 位3 秒529,2000.50 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。

写一个 WAV 文件的顺序
生成整数样本
组装 fmt 块
写入 data 块
回填两个长度
关闭文件

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
0RIFF 标识452 49 46 46,也就是 RIFF
4RIFF 块长度4529,236,等于文件总长减 8
8WAVE 标识457 41 56 45
12fmt 块标识466 6D 74 20,注意末尾空格
16fmt 块长度416,PCM 固定为 16
20音频格式21,表示 PCM
22声道数22
24采样率444,100
28字节率4176,400,每秒字节数
32块对齐24,每帧字节数
34位深216
36data 块标识464 61 74 61
40data 块长度4529,200,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」。

不要假设 data 块永远从偏移 36 开始。WAV 里还可能插入 LIST、fact、bext 等块,尤其是带元数据或广播波形的文件。正确做法是按块遍历:读标识和长度,跳过内容,直到找到 data。

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。

不要用文本编辑器手改 WAV 头里的长度字段,除非你同时改对了两个长度和实际数据。长度不一致的文件在某些播放器里能播,在剪辑软件里可能直接损坏工程。改之前先备份。

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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。