多媒體技術(shù)近年來(lái)發(fā)展很快,，較好品質(zhì)的聲卡可以提供16位的立體聲及44KHZ的播放錄制能力，它不僅可以提供原音逼真的取樣,，其合成的音質(zhì)也十分理想,，有的聲卡還加入了數(shù)字信號(hào)處理器，可編程控制的DSP具有強(qiáng)大的運(yùn)算能力,，它可以用來(lái)作聲音信息的壓縮和一些特殊效果的處理,。具有此功能的聲卡提供的WAV文件提供的語(yǔ)音信息可以滿足語(yǔ)音特征識(shí)別的要求。

　　1.1 RIFF文件和WAV文件格式

　　在Windows環(huán)境下,，大部分的多媒體文件都依循著一種結(jié)構(gòu)來(lái)存放信息,，這種結(jié)構(gòu)稱為"資源互換文件格式"(Resources lnterchange File Format),，簡(jiǎn)稱RIFF,。例如聲音的WAV文件、視頻的AVI文件等等均是由此結(jié)構(gòu)衍生出來(lái)的,。RIFF可以看做是一種樹狀結(jié)構(gòu),，其基本構(gòu)成單位為chunk，猶如樹狀結(jié)構(gòu)中的節(jié)點(diǎn),，每個(gè)chunk由"辨別碼",、"數(shù)據(jù)大小"及"數(shù)據(jù)"所組成。

　　辨別碼由4個(gè)ASCII碼所構(gòu)成,，數(shù)據(jù)大小則標(biāo)示出緊跟其后數(shù)據(jù)的長(zhǎng)度(單位為Byte),，而數(shù)據(jù)大小本身也用掉4個(gè)Byte，所以事實(shí)上一個(gè)chunk的長(zhǎng)度為數(shù)據(jù)大小加8,。一般而言,，chunk本身并不允許內(nèi)部再包含chunk，但有兩種例外,，分別為以"RIFF"及"LIST"為辨別碼的chunk,。而針對(duì)此兩種chunk，RIFF又從原先的"數(shù)據(jù)"中切出4個(gè)Byte,。 此4個(gè)Byte稱為"格式辨別碼",，然而RIFF又規(guī)定文件中僅能有一個(gè)以"RIFF"為辨別碼的chunk,。

　　只要依循此一結(jié)構(gòu)的文件，我們均稱之為RIFF檔,。此種結(jié)構(gòu)提供了一種系統(tǒng)化的分類,。如果和MS一DOS文件系統(tǒng)作比較，"RIFF"chunk就好比是一臺(tái)硬盤的根目錄,，其格式辨別碼便是此硬盤的邏輯代碼(C：或D：),，而"LIST"chunk即為其下的子目錄，其他的chunk則為一般的文件,。至于在RIFF文件的處理方面,，微軟提供了相關(guān)的函數(shù)。視窗下的各種多媒體文件格式就如同在磁盤機(jī)下規(guī)定僅能放怎樣的目錄,，而在該目錄下僅能放何種數(shù)據(jù),。

　　WAV為WAVEFORM(波形)的縮寫。在聲音文件的結(jié)構(gòu)中,，"RIFF"的格式辨別碼為"WAVE",。整個(gè)文件由兩個(gè)chunk所組成：辨別碼"fmt "(注意，后面有一個(gè)空格)及"data",。

　　在"fmt "的chunk下包含了一個(gè)PCMWAVEFORMAT數(shù)據(jù)結(jié)構(gòu),，其定義如下：

　　typedef struct pcmwaveformat - tag {
　　WAVEFORMAT wf ；
　　WORD wBitsPerSample,；
　　} PCMWAVEFORMAT,；
　　typedef struct waveformat - tag {
　　WORD wFormatTag ;
　　WORD nChannels;
　　DWORD nSamplesPerSec;
　　DWORD nAvgBytesperSec;
　　WORD nBlockAlign;
　　} WAVEFORMAT；

　　其意義分別為：

　　wFormatTag：記錄著此聲音的格式代號(hào),，例如WAVE_FORMAT_PCM,，WAVE_F0RAM_ADPCM等等。
　　nChannels：記錄聲音的頻道數(shù),。
　　nSamp1esPerSec：記錄每秒取樣數(shù),。
　　nAvgBytesPerSec：記錄每秒的數(shù)據(jù)量。
　　nBlockA1ign：記錄區(qū)塊的對(duì)齊單位,。
　　wBitsPerSample：記錄每個(gè)取樣所需的位元數(shù),。

　　"data"Chunk包含真正的聲音數(shù)據(jù)。Window目前僅提供WAVE_FORMAT_PCM一種數(shù)據(jù)格式,，所代表的意義是脈派編碼調(diào)變(Pu1se Code Modulation),。針對(duì)此格式，Windows定義了在"data"的chunk中數(shù)據(jù)的存放情形,，圖2中列出了四種不同頻道數(shù)及取樣所需的位元數(shù)以及位元位置的安排,。

　　"RIFF" 頻道0 頻道0 頻道0 頻道0
　　xxxx nChannels=1,wBitsPerSample=8
　　"WAVE" 頻0(左) 頻道1(右) 頻道0(左) 頻道1 (右)
　　"fmt "
　　nChannels=2,wBitsPerSample=8
　　sizeof(PCMWAVEFORMAT)
　　struct of PCMWAVEFORMAT 頻道0(低位) 頻道0(高位) 頻道0(低位)頻道0(高位)
　　"data" nChannels=1,wBitsPerSample=16
　　xxxx 頻道0(低位) 頻道0(高位) 頻道0(低位)頻道0(高位)
　　(低位) (高位) (低位) (高位)
　　wave form data
　　nChannels=2,wBitsPerSample=16
　　圖1 WAV文件結(jié)構(gòu) 圖2 PCM文件中位元安排方式

　　第一排表示單聲道8位元，第二排表示雙聲道8位元,，第三排表示單聲道16位元,，第四排表示雙聲道16位元,。8位元代表音量大小由8個(gè)位元所表示，16位元?jiǎng)t代表音量大小由16個(gè)位元所表示,。理論上8位元可以表示0～255,，16位元可表示0～65536，不過(guò)windows卻定16位元其值的范圍從-32168～32167,。此外尚有一點(diǎn)要注意的是,，0并不一定代表無(wú)聲，而是由中間的數(shù)值來(lái)決定,，也就是在8位元時(shí)為128,，16位元時(shí)為0才是無(wú)聲。所以,，若程序設(shè)計(jì)時(shí)需放入無(wú)聲的數(shù)據(jù),，糯特別注意聲音格式是16或是8位元，以放入適當(dāng)?shù)闹怠?

　　1.2 WAV文件信息的具體應(yīng)用

　　WAV文件中包括了對(duì)原始聲音的高速率采樣,，并且以WAVE_PCM_FORMAT脈派編碼調(diào)變格式,，我們可以在VISUAL　C++程序中實(shí)現(xiàn)，在讀出WAVEHDR文件頭之后,，下面就是原始聲音的高速率采樣信息,，我們可以對(duì)它作多方面的信息處理。

　　1.2.1 波形顯示,。

　　我們可以以時(shí)域-幅度的方式顯示出原始聲音的波形,，這是最簡(jiǎn)單同時(shí)也是最直接的信息處理方式。在時(shí)域范圍內(nèi),，我們可以觀察該信號(hào)波形是否連續(xù),，中間是否有跳變等,。

　　1.2.2頻譜顯示

　　我們可以以頻域-幅度的方式顯示出原始聲音的頻譜,，在對(duì)原始信號(hào)經(jīng)過(guò)FFT變換之后，可以得到該信號(hào)的頻譜,，進(jìn)而得到該信號(hào)的能量集中帶,，分布特征，譜對(duì)稱系數(shù)等等,。

　　1.2.3 用于語(yǔ)音信號(hào)識(shí)別

　　講話者的個(gè)體識(shí)別是語(yǔ)音信號(hào)處理的一個(gè)重要內(nèi)容,，但它的一個(gè)前提條件是必須提供語(yǔ)音信號(hào)的數(shù)字波形，通常的方法是將原始的語(yǔ)音信號(hào)進(jìn)行放大,、抗混疊濾波,、A/D采樣、數(shù)值編碼,，最終得到語(yǔ)音信號(hào)的數(shù)字波形,，通常多采用硬件處理,，費(fèi)時(shí)費(fèi)力，如果我們借助非常成熟的聲卡技術(shù),，將WAV文件打開,，就非常方便地得到語(yǔ)音信號(hào)的數(shù)字波形，為下一步進(jìn)行語(yǔ)音信號(hào)識(shí)別提供良好的前端預(yù)處理,。