MeteorSeed

从0构建WAV文件：读懂计算机文件的本质

虽然接触计算机有一段时间了，但是我的视野一直局限于一个较小的范围之内，往往只能看到于算法竞赛相关的内容，计算机各种文件在我看来十分复杂，认为构建他们并能达到目的是一件困难的事情，然而近期我观看了油管上Magicalbat大神的视频，发现其实它们的本质都惊人地简单：所有计算机文件，都是按特定规则组织的二进制数据，是人为规定好格式再由计算机解析，对于我们来说，只要根据规定格式进行编辑，就能够成功构建。

今天，我们就从最朴素的方式入手，通过手动构建一个WAV音频文件，拆解WAV格式的底层逻辑，同时理解一个核心认知：只要掌握了文件的格式规范，任何类型的文件都能像搭积木一样，一行行代码“拼”出来。

先认识WAV：WAV文件的格式

WAV是微软开发的无损音频格式，相比于压缩后的MP3，它的结构更直白，没有复杂的编码压缩，因此我们能够通过C++文件写入的方式直接完成wav文件的构建，wav文件的核心由三个关键的“数据块(Chunk)”组成：

RIFF块：文件的“身份卡”，告诉计算机“我是一个WAV文件”；

fmt块：音频的“参数说明”，记录采样率、声道数、位深等核心参数；

data块：真正的音频数据，存储着声音的数字信号。

而每个块的内容又如下图所示：

RIFF:

字段名 字节数 数据类型 固定值/计算规则

ChunkID 4 ASCII字符 固定为"RIFF"（无终止符，严格4字节）

ChunkSize 4 32位无符号整数 取值 = 整个WAV文件大小 - 8字节（减去ChunkID和ChunkSize自身的8字节）

Format 4 ASCII字符 固定为"WAVE"（无终止符，严格4字节）

fmt:

字段名 字节数 数据类型 固定值/计算规则

ChunkID 4 ASCII字符 固定为"fmt "（末尾空格，无终止符）

ChunkSize 4 32位无符号整数 PCM编码（最常用）下固定为16（代表后续字段的总字节数，不含ChunkID和ChunkSize）

AudioFormat（代码中Tag） 2 16位无符号整数 编码格式：1=PCM（无压缩，通用）；3=IEEE浮点；6=μ律；7=A律等

NumChannels（代码中Chnnels，拼写笔误） 2 16位无符号整数 声道数：1=单声道；2=立体声；>2=多声道

SampleRate 4 32位无符号整数 采样率（每秒采样次数）：常见44100Hz（CD音质）、48000Hz、22050Hz等

ByteRate 4 32位无符号整数 每秒音频数据字节数 = SampleRate × NumChannels × BitsPerSample / 8

BlockAlign（代码中BloclAlign，拼写笔误） 2 16位无符号整数 每个“采样帧”的字节数 = NumChannels × BitsPerSample / 8（播放器一次读取的最小单位）

BitsPerSample（代码中BitsperSample） 2 16位无符号整数 采样位深（每个采样点的比特数）：8/16/24/32，16位最常用

data:

字段名 字节数 数据类型 固定值/计算规则

ChunkID（代码中DataId） 4 ASCII字符 固定为"data"（无终止符，严格4字节）

DataSize 4 32位无符号整数 音频数据总字节数 = 采样总数 × BlockAlign；采样总数 = SampleRate × 音频时长

音频数据区 可变 二进制流 PCM编码下为线性整数/浮点数：16位位深对应int16_t，8位对应uint8_t，32位浮点对应float

我们接下来的代码，就是严格按照这个模板，把每个部分的二进制数据“写”进文件里。

从零构建WAV：一行代码拆解核心逻辑

下面是完整的C++代码（新手也能看懂），我们逐段拆解，看如何从0生成一个能播放的440Hz正弦波WAV文件：

#include

using namespace std;

// 类型别名：让代码更易读，明确数据的字节长度

#define u32 uint32_t // 32位无符号整数（4字节）

#define u16 uint16_t // 16位无符号整数（2字节）

#define f32 float // 32位浮点数（4字节）

#define i16 int16_t // 16位有符号整数（2字节）

#define HZ 44100 // 采样率：每秒采集44100个声音样本（标准音频采样率）

#define DURATION 5 // 音频时长：5秒

// 1. 定义WAV的三个核心数据块结构（对应格式规范）

// RIFF块：文件整体标识

struct chunk1{

char ChunkID[4]; // 块标识，固定为"RIFF"

u32 ChunkSize; // 从该字段到文件末尾的字节数（总字节数-8）

char Format[4]; // 格式类型，固定为"WAVE"

}RIFF;

// fmt块：音频参数配置

struct chunk2{

char ChunkID[4]; // 块标识，固定为"fmt "（注意末尾有空格）

u16 Tag; // 编码格式，1代表PCM（无压缩）

u32 ChunkSize; // fmt块的大小，PCM格式固定为16

u16 Chnnels; // 声道数：1=单声道，2=立体声

u32 SampleRate; // 采样率

u32 ByteRate; // 每秒数据量 = 采样率×声道数×位深/8

u16 BloclAlign; // 每个采样的总字节数 = 声道数×位深/8

u16 BitsperSample; // 每个采样的位深：16位（常见）

}Fmt;

// data块：音频数据存储区

struct chunk3{

char DataId[4]; // 块标识，固定为"data"

u32 DataSize; // 音频数据的总字节数

}Data;

signed main(int argc,char* argv[]){

// 打开文件："wb"表示以二进制模式写入（关键！文件本质是二进制）

FILE *fp = fopen("test.wav","wb");

// 计算总采样数：采样率×时长（5秒×44100=220500个样本）

u32 NumSamples = HZ * DURATION;

// 2. 填充RIFF块并写入文件

memcpy(RIFF.ChunkID,"RIFF",4); // 写入块标识

RIFF.ChunkSize = NumSamples*sizeof(u16)+36; // 计算块大小

memcpy(RIFF.Format,"WAVE",4); // 声明为WAVE格式

fwrite(RIFF.ChunkID,sizeof(char),4,fp); // 写入4个字符的ChunkID

fwrite(&RIFF.ChunkSize,sizeof(u32),1,fp); // 写入4字节的ChunkSize

fwrite(RIFF.Format,sizeof(char),4,fp); // 写入4个字符的Format

// 3. 填充fmt块并写入文件

memcpy(Fmt.ChunkID,"fmt ",4);

Fmt.ChunkSize = 16; // PCM格式下fmt块固定16字节

Fmt.Tag = 1; // PCM无压缩编码

Fmt.Chnnels = 1; // 单声道

Fmt.SampleRate = HZ; // 44100Hz采样率

Fmt.ByteRate = HZ*sizeof(u16); // 每秒字节数：44100×2=88200

Fmt.BloclAlign = Fmt.Chnnels * sizeof(u16); // 每个采样2字节

Fmt.BitsperSample = 16; // 16位位深

// 按顺序写入fmt块的所有参数（严格遵循格式规范）

fwrite(&Fmt.ChunkID,sizeof(char),4,fp);

fwrite(&Fmt.ChunkSize,sizeof(u32),1,fp);

fwrite(&Fmt.Tag,sizeof(u16),1,fp);

fwrite(&Fmt.Chnnels,sizeof(u16),1,fp);

fwrite(&Fmt.SampleRate,sizeof(u32),1,fp);

fwrite(&Fmt.ByteRate,sizeof(u32),1,fp);

fwrite(&Fmt.BloclAlign,sizeof(u16),1,fp);

fwrite(&Fmt.BitsperSample,sizeof(u16),1,fp);

// 4. 填充data块并写入文件

memcpy(Data.DataId,"data",4);

Data.DataSize = NumSamples * sizeof(u16); // 音频数据总字节数

fwrite(&Data.DataId,sizeof(char),4,fp);

fwrite(&Data.DataSize,sizeof(u32),1,fp);

// 5. 生成音频数据并写入（440Hz正弦波，标准A调）

for(int i=0;i

f32 t = (f32)i/HZ; // 计算当前时间点（秒）

// 生成440Hz正弦波的数值（声音的本质是振动，正弦波模拟声波）

f32 y =sinf(t*440.0f*2.0f*3.1415926f);

// 转换为16位整数（适配16位位深的音频）

i16 sample = (i16)(y*INT16_MAX);

// 写入单个音频样本（2字节）

fwrite(&sample,sizeof(i16),1,fp);

}

fclose(fp); // 关闭文件

return 0;

}

所有文件，都是“按规则写二进制”的产物

写完这段代码，你可能会发现：生成WAV文件的过程，就是“按格式规范往文件里写二进制数据”的过程。而这个逻辑，适用于所有计算机文件：

TXT文档：本质是字符的ASCII/UTF-8编码（比如字符'A'对应二进制01000001），我们按顺序写入这些编码，就成了TXT文件；

BMP图片：由文件头（记录宽、高、位深）+ 像素数据（每个像素的RGB值）组成，按BMP格式写这些数据，就能生成图片；

MP4视频：哪怕是压缩过的视频，也是按MP4的格式规范，把编码后的视频帧、音频帧组织成二进制数据；

EXE可执行文件：遵循PE格式，把指令、数据、资源按规则写入，操作系统就能识别并运行。

计算机之所以能“看懂”不同的文件，不是因为文件有“魔法”，而是因为程序员提前约定了“格式规范”——就像我们约定“RIFF”开头的是WAV文件，播放器读到这个标识，就按WAV的规则解析后续数据。

计算机的本质是“朴素的规则”

对刚接触计算机的人来说，各种文件、软件、系统看似复杂，但拆解到最底层，都是“数据+规则”的组合，

只要我们对着格式手册，即便使用最朴素的方式，也能够成功构建出可以使用的音频文件。计算机的世界没有想象中那般复杂，计算机只在乎那最终排好队的 0 和 1。

进一步思考：从文件到软件

了解了各类文件本质，我们自然能理解计算机中各个编辑软件的原理是什么了，就比如今天举的wav的例子，如果我们将示例程序改进一下，加入输入，那么这是否就成了一个简单的音频编辑软件了呢，所有的复杂软件（如 Photoshop、Premiere），底层逻辑都是如此：读取特定规则的二进制 -> 在内存中加工处理 -> 按规则写回二进制。当你不再把文件看作“黑盒”，你便拥有了重塑数字世界的能力。该纶斯婆