java - Java 中的 Wav 阅读器和处理器以及进行声音识别的基本 wav 问题

Question

我正在尝试制作一个音乐识别系统。我担心我可能没有按照预期读取 wav 样本，而且我可能会应用错误的窗口大小来进行 FFT 和其他操作。

如果你能帮我的话，那就太好了。

首先，我有一些关于 Wavs 中音频处理的问题。

1) Wav 有标题吗？那么下面的代码能正确读取wav文件吗？

private static byte[] getAudioBytes(String path_to_audio) throws IOException, UnsupportedAudioFileException{

    File audio_file = new File(path_to_audio);
    //
    AudioInputStream audio_input_stream = AudioSystem
            .getAudioInputStream(audio_file);
    byte audio[] = new byte[(int) audio_file.length()];
    audio_input_stream.read(audio);

    return audio;

}

1.1)如果有标题，我如何读取它，它们的字段是什么？ (我对网上看到的不同标题感到困惑)

2)另一个问题是，我猜，wav 文件的录制有一个默认的帧大小。我说得对吗？

2.1) 我必须将每一帧发送到 FFT 中。如果我使用不同的帧大小将样本发送到 FFT，这将检索到错误的结果，对吗？

2.2) 如果不同的帧大小检索到错误的结果，我如何使用更大的帧，以获得更好的频率精度？ (例如，假设原始文件有 1024 个样本帧，我想使用 4096 个样本帧大小)

3) 在我的示例 wav 文件和原始文件中使用相同的位深度会很好，对吗？

4) 如果它是 16 位深度，我必须在 java 中使用 Short，对吗？

在我的代码中，我正在读取包含 4096 个样本的帧，而不考虑记录帧的大小。我看到了一些歌曲识别的例子，但他们没有解释太多细节，只是说他们使用 4096 作为帧大小。我尝试搜索此类信息，但发现信息很少，所以在这里寻求帮助。

提前谢谢

Answer 1

Wav has a header. Right?

是的。关于原始位级别的 wav 文件结构的很好的引用可以在 the WAVE format specifications 中找到。 。

So will the following code read correctly the wav file?

它将正确读取支持的 wav 文件的 wav header (准备处理不太常见的扩展名的 UnsupportedAudioFileException )，并以原始编码形式提取音频数据(即您仍然需要解码自己获取原始数据以获得有意义的样本)。但请注意，此代码分配的缓冲区大小超过了所需的缓冲区大小，因为 audio_file.length() 包含 header 大小，而数据缓冲区读取则不包含 header 大小(即数据缓冲区仅填充了编码样本) .

If there is a header, how can I read it, and what are their fields? (I'm confused about the different headers that I saw online)

the WAVE format specifications 中指示的 header 字段已被 AudioInputStream 读取，然后分配 AudioFormat 的相关字段(例如 encoding、channels 等)。 。请注意，它不是精确的一对一映射，因为 AudioFormat 是与其他音频文件类型共享的通用表示形式，但它通常是您真正需要关心的。可以通过 audio_input_stream.getFormat() 访问此 AudioFormat。如果您想专门查看文件头的位结构(或者只是想折磨自己)，您也可以使用 FileInputStream直接。

The recording of the wav file has a default Frame Size. Am I correct?

不完全是。在 wav 文件的情况下，AudioInputStream 使用的“帧”对应于单个时刻，其中包含与 channel 数量一样多的样本(例如，帧将是单声道文件的单个样本)和立体声文件的 2 个样本)。此类帧的大小始终由 wav header 中的各个字段(例如 channel 数、每个样本的字节数等)隐含，并适用于整个流。此外，数据被打包为 channel 交错样本的连续 block ，因此无需额外分离为更大的样本 block 。

I have to send every frame into FFT. If I use a different frame size to send the samples to the FFT, this will retrieve wrong results, correct?

如果您将多 channel (例如立体声)wav 文件的所有 channel 发送到单个 FFT，那么您可能会得到与您的预期不符的结果。但是，一旦您分离了 channel ，您就可以自由地以您自己选择的任何长度执行 FFT(并且仍然获得合理的结果)。

If different frame sizes retrieve wrong results, how can I use bigger frames, in order to get better frequency accuracy ? (for example, lets say the original file has 1024 sample frames and I want to use a 4096 sample frame size)

由于一旦对 channel 进行解交织后，每个 channel 实际上只有一个数据 block ，因此无法直接使用与可用数据大小相同大小的 FFT 大小的唯一情况是，如果原始文件的样本数少于您希望使用的 FFT 长度。但是，您仍然可以通过对文件样本进行零填充来执行更大尺寸的 FFT。

It would be good to use both on my sample wav file and in my original file the same bit depth, right?

这取决于您的具体应用程序要求。输入文件的位深度通常是给你的，你对此无能为力。您通常会控制输出文件的位深度。请记住，截断样本以使用较小的位深度是一种有损操作。因此，在整个处理过程中保留尽可能多的位，并在最后截断通常是一个好主意。因此，例如，如果输出是较长处理链中的中间结果，您可以选择使用比输入更大的位深度来输出相同的输出。

If it's a 16 bit depth I have to use short in java. Right?

正确。