概述
WAV即WAVE，是经典的Windows音频数据封装格式，由Microsoft开发。数据本身格式为PCM，也可以支持一些编码格式的数据，比如最近流行的AAC编码。如果是PCM，则为无损格式，文件会比较大，并且大小相对固定，可以使用以下公式计算文件大小。
FileSize = HeadSize + TimeInSecond * SampleRate * Channels * BitsPerSample / 8
其中HeadSize为WAV文件头部长度；SampleRate，即采样率，可选8000、16000、32000、44100或48000；Channels表示声道数量，通常为1或2；BitsPerSample代表单个Sample的位深，可选8、16以及32，其中32位时可以是float类型。
WAV是一种极其简单的文件格式，如果对其结构足够熟悉，完全可以自己通过代码写入WAV文件，从而免去引入一些复杂中间库。特别是在对音频进行调试的时候，能提高效率，降低复杂度。
WAV格式遵循RIFF规范，所有WAV都有一个文件头，记录着音频流的采样和编码信息。数据块的记录方式是小尾端(little-endian)。
RIFF
RIFF，全称Resource Interchange File Format，是一种按照标记区块存储数据的通用文件存储格式，多用于存储音频、视频等多媒体数据。Microsoft在Windows下的WAV、AVI等都是基于RIFF实现的。
一个标准的RIFF规范规范文件，最小存储单位为“块”(Chunk)，每个块(Chunk)包含以下三个信息：
| 名称 | 大小 | 类型 | 端序 | 含义 |
|---|---|---|---|---|
| FOURCC | 4 | 字符 | 大端 | 用于标识Chunk ID或chunk 类型，通常为Chunk ID |
| Data Field Size | 4 | 整形 | 小端 | 特别注意，该长度不包含其本身，以及FOURCC |
| Data Field | – | – | – | 数据域，如果Chunk ID为”RIFF”或”LIST”，则开始四个字节为类型码 |
只有ID为”RIFF”或者”LIST”的块允许拥有子块(SubChunk)。RIFF文件的第一个块的ID必须是”RIFF”，也就是说ID为”LIST”的块只能是子块(SubChunk)，他们和各个子块形成了复杂的RIFF文件结构。
RIFF数据域的的起始位置四个字节为类型码(Form Type)，用于说明数据域的格式，比如WAV文件的类型码为”WAVE”。
“LIST”块的数据域的起始位置也有一个四字节类型码(List Type)，用于说明LIST数据域的数据内容。比如，类型码为”INFO”时，其数据域可能包括”ICOP”、”ICRD”块，用于记录文件版权和创建时间信息。
WAV
以最简单的无损WAV格式文件为例，此时文件的音频数据部分为PCM，比较简单，重点在于WAV头部。一个典型的WAV文件头部长度为44字节，包含了采样率，通道数，位深等信息，如下表所示。
| 偏移位置 | 大小 | 类型 | 端序 | 含义 |
|---|---|---|---|---|
| 0x00-0x03 | 4 | 字符 | 大端 | “RIFF”块(0x52494646)，标记为RIFF文件格式 |
| 0x04-0x07 | 4 | 整型 | 小端 | 块数据域大小（Chunk Size），即从下一个地址开始，到文件末尾的总字节数，或者文件总字节数-8。从0x08开始一直到文件末尾，都是ID为”RIFF”块的内容，其中会包含两个子块，”fmt “和”data” |
| 0x08-0x0B | 4 | 字符 | 大端 | 类型码(Form Type)，WAV文件格式标记，即”WAVE”四个字母 |
| 0x0C-0x0F | 4 | 字符 | 大端 | “fmt “子块(0x666D7420)，注意末尾的空格 |
| 0x10-0x13 | 4 | 整形 | 小端 | 子块数据域大小（SubChunk Size） |
| 0x14-0x15 | 2 | 整形 | 小端 | 编码格式(Audio Format)，1代表PCM无损格式 |
| 0x16-0x17 | 2 | 整形 | 小端 | 声道数(Channels)，1或2 |
| 0x18-0x1B | 4 | 整形 | 小端 | 采样率(Sample Rate) |
| 0x1C-0x1F | 4 | 整形 | 小端 | 传输速率(Byte Rate)，每秒数据字节数，SampleRate * Channels * BitsPerSample / 8 |
| 0x20-0x21 | 2 | 整形 | 小端 | 每个采样所需的字节数BlockAlign，BitsPerSample*Channels/8 |
| 0x22-0x23 | 2 | 整形 | 小端 | 单个采样位深(Bits Per Sample)，可选8、16或32 |
| 0x24-0x27 | 4 | 字符 | 大端 | “data”子块 (0x64617461) |
| 0x28-0x2B | 4 | 整形 | 小端 | 子块数据域大小（SubChunk Size） |
| 0x2C-eos | N | PCM |
上表为典型的WAV头部格式，从0x00到0x2B总共44字节，从0x2C开始一直到文件末尾都是PCM音频数据。所以如果你已经知道了PCM的采样信息，那么可以直接跳过头部的解析，直接从0x2C开始读取PCM即可，但是对于另一些无损的WAV文件却是不行的。
WAV扩展
有一些WAV的头部并不仅仅只有44个字节，比如通过FFmpge编码而来的WAV文件头部信息通常大于44个字节。这是因为根据WAV规范，其头部还支持携带附加信息，所以只按照44个字节的长度去解析WAV头部信息是不一定正确的，还需要考虑附加信息。那么如何知道一个WAV文件头部是否包含附加信息呢？
根据”fmt “子块长度来判断即可。
如果fmt SubChunk Size等于0x10(16)，表示头部不包含附加信息，即WAV头部信息长度为44；如果等于0x12(18)，则包含附加信息，此时头部信息长度大于44。
当WAV头部包含附加信息时，fmt SubChunk Size长度为18，并且紧随是另一个子块，这个包含了一些自定义的附加信息，接着往下才是”data”子块，格式如下：
| 偏移位置 | 大小 | 类型 | 端序 | 含义 |
|---|---|---|---|---|
| 0x00-0x03 | 4 | 字符 | 大端 | “RIFF”块(0x52494646)，标记为RIFF文件格式 |
| 0x04-0x07 | 4 | 整型 | 小端 | 块数据域大小（Chunk Size），即从下一个地址开始，到文件末尾的总字节数，或者文件总字节数-8。从0x08开始一直到文件末尾，都是ID为”RIFF”块的内容，其中会包含两个子块，”fmt “和”data” |
| 0x08-0x0B | 4 | 字符 | 大端 | 类型码(Form Type)，WAV文件格式标记，即”WAVE”四个字母 |
| 0x0C-0x0F | 4 | 字符 | 大端 | “fmt “子块(0x666D7420)，注意末尾的空格 |
| 0x10-0x13 | 4 | 整形 | 小端 | 子块数据域大小（SubChunk Size），这里为0x12 |
| 0x14-0x15 | 2 | 整形 | 小端 | 编码格式(Audio Format)，1代表PCM无损格式 |
| 0x16-0x17 | 2 | 整形 | 小端 | 声道数(Channels)，1或2 |
| 0x18-0x1B | 4 | 整形 | 小端 | 采样率(Sample Rate) |
| 0x1C-0x1F | 4 | 整形 | 小端 | 传输速率(Byte Rate)，每秒数据字节数，SampleRate * Channels * BitsPerSample / 8 |
| 0x20-0x21 | 2 | 整形 | 小端 | 每个采样所需的字节数BlockAlign，BitsPerSample*Channels/8 |
| 0x22-0x23 | 2 | 整形 | 小端 | 单个采样位深(Bits Per Sample)，可选8、16或32 |
| 0x24-0x25 | 2 | |||
| 0x26-不定 | – | – | – | 可选附加信息，标准RIFF Chunk |
| 不定 | 4 | 字符 | 大端 | “data”子块 (0x64617461) |
| 不定 | 4 | 整形 | 小端 | 子块数据域大小（SubChunk Size） |
| 不定 | N | PCM |
如果一个无损WAV文件头部包含了附加信息，那么PCM音频所在的位置就不确定了，但由于附加信息也是一个子块(SubChunk)，根据RIFF规范，该子块也必然记录着其长度信息，所以我们还是有办法能够动态计算出其位置，下面是计算步骤：
- 判断fmt块长度是否为18。
- 如果fmt长度为18，那么必然从0x26位置开始为附加信息块，0x30-0x33位置记录着该子块长度。
-
根据步骤2获取的子块长度，假定为N(16进制)，那么PCM音频信息开始位置为：0x34 + N + 8。
以上步骤仅为逻辑推理得出，未经验证，但大致遵循以上步骤，如有错误，欢迎指正。