Waveform Audio File Format（WAVE，又或者是因为WAV后缀而被大众所知的），它采用RIFF（Resource Interchange File Format）文件格式结构。通常用来保存PCM格式的原始音频数据，所以通常被称为无损音频。但是严格意义上来讲，WAV也可以存储其它压缩格式的音频数据。
常见的声音文件主要有两种，分别对应于单声道（11.025KHz 采样率、8Bit 的采样值）和双声道（44.1KHz 采样率、16Bit 的采样值）。采样率是指：声音信号在“模→数”转换过程中单位时间内采样的次数。采样值是指每一次采样周期
内声音模拟信号的积分值。
对于单声道声音文件，采样数据为八位的短整数（short int 00H-FFH）；而对于双声道立体声声音文件，每次采样数据为一个16位的整数（int），高八位和低八位分别代表左右两个声道。
1. 音频简介
经常见到这样的描述: 44100HZ 16bit stereo 或者 22050HZ 8bit mono 等等.
44100HZ 16bit stereo: 每秒钟有 44100 次采样, 采样数据用 16 位(2字节)记录, 双声道(立体声);
22050HZ 8bit mono: 每秒钟有 22050 次采样, 采样数据用 8 位(1字节)记录, 单声道;
当然也可以有 16bit 的单声道或 8bit 的立体声, 等等。
采样率是指：声音信号在“模→数”转换过程中单位时间内采样的次数。采样值是指每一次采样周期内声音模拟信号的积分值。
对于单声道声音文件，采样数据为八位的短整数（short int 00H-FFH）；
而对于双声道立体声声音文件，每次采样数据为一个16位的整数（int），高八位(左声道)和低八位(右声道)分别代表两个声道。
人对频率的识别范围是 20HZ - 20000HZ, 如果每秒钟能对声音做 20000 个采样, 回放时就足可以满足人耳的需求. 所以 22050 的采样频率是常用的, 44100已是CD音质, 超过48000的采样对人耳已经没有意义。这和电影的每秒 24 帧图片的道理差不多。
每个采样数据记录的是振幅, 采样精度取决于储存空间的大小:
1 字节(也就是8bit) 只能记录 256 个数, 也就是只能将振幅划分成 256 个等级;
2 字节(也就是16bit) 可以细到 65536 个数, 这已是 CD 标准了;
4 字节(也就是32bit) 能把振幅细分到 4294967296 个等级, 实在是没必要了.
如果是双声道(stereo), 采样就是双份的, 文件也差不多要大一倍.
这样我们就可以根据一个 wav 文件的大小、采样频率和采样大小估算出一个 wav 文件的播放长度。
譬如 "Windows XP 启动.wav" 的文件长度是 424,644 字节, 它是 "22050HZ / 16bit / 立体声" 格式(这可以从其 "属性->摘要" 里看到),
那么它的每秒的传输速率(位速, 也叫比特率、取样率)是 22050*16*2 = 705600(bit/s), 换算成字节单位就是 705600/8 = 88200(字节/秒),
播放时间：424644(总字节数) / 88200(每秒字节数) ≈ 4.8145578(秒)。
但是这还不够精确, 包装标准的 PCM 格式的 WAVE 文件(*.wav)中至少带有 42 个字节的头信息, 在计算播放时间时应该将其去掉,
所以就有：(424644-42) / (22050*16*2/8) ≈ 4.8140816(秒). 这样就比较精确了.
关于声音文件还有一个概念: "位速", 也有叫做比特率、取样率, 譬如上面文件的位速是 705.6kbps 或 705600bps, 其中的 b 是 bit, ps 是每秒的意思;
压缩的音频文件常常用位速来表示, 譬如达到 CD 音质的 MP3 是: 128kbps / 44100HZ.
WAV文件遵循RIFF规则，其内容以区块（chunk）为最小单位进行存储。WAV文件一般由3个区块组成：RIFF chunk、Format chunk和Data chunk。另外，文件中还可能包含一些可选的区块，如：Fact chunk、Cue points chunk、Playlist chunk、Associated data list chunk等。
本文将只介绍RIFF chunk、Format chunk和Data chunk。
常见的wave文件的格式图示
| 名称 | 偏移地址 | 字节数 | 端序 | 内容 |
|---|---|---|---|---|
| ID | 0x00 | 4Byte | 大端 | 'RIFF' (0x52494646) |
| Size | 0x04 | 4Byte | 小端 | fileSize - 8 |
| Type | 0x08 | 4Byte | 大端 | 'WAVE'(0x57415645) |
'RIFF'为标识Size是整个文件的长度减去ID和Size的长度Type是WAVE表示后面需要两个子块：Format区块和Data区块| 名称 | 偏移地址 | 字节数 | 端序 | 内容 |
|---|---|---|---|---|
| ID | 0x00 | 4Byte | 大端 | 'fmt ' (0x666D7420) |
| Size | 0x04 | 4Byte | 小端 | 16 |
| AudioFormat | 0x08 | 2Byte | 小端 | 音频格式 |
| NumChannels | 0x0A | 2Byte | 小端 | 声道数 |
| SampleRate | 0x0C | 4Byte | 小端 | 采样率 |
| ByteRate | 0x10 | 4Byte | 小端 | 每秒数据字节数 |
| BlockAlign | 0x14 | 2Byte | 小端 | 数据块对齐 |
| BitsPerSample | 0x16 | 2Byte | 小端 | 采样位数 |
'fmt '为标识Size表示该区块数据的长度（不包含ID和Size的长度）AudioFormat表示Data区块存储的音频数据的格式，PCM音频数据的值为1NumChannels表示音频数据的声道数，1：单声道，2：双声道SampleRate表示音频数据的采样率ByteRate每秒数据字节数 = SampleRate * NumChannels * BitsPerSample / 8BlockAlign每个采样所需的字节数 = NumChannels * BitsPerSample / 8BitsPerSample每个采样存储的bit数，8：8bit，16：16bit，32：32bit［注意］ 这个区域只需要关心 NumChannels SampleRate BitsPerSample 三个参数就可以了，其它的都是依据这三个计算出来的。
| 名称 | 偏移地址 | 字节数 | 端序 | 内容 |
|---|---|---|---|---|
| ID | 0x00 | 4Byte | 大端 | 'data' (0x64617461) |
| Size | 0x04 | 4Byte | 小端 | N |
| Data | 0x08 | NByte | 小端 | 音频数据 |
'data'为标识Size表示音频数据的长度，N = ByteRate * secondsData音频数据对于Data块，根据声道数和采样率的不同情况，布局如下（每列代表8bits）：
1. 8 Bit 单声道：
| 采样1 | 采样2 |
| 数据1 | 数据2 |
2. 8 Bit 双声道
| 采样1 | 采样2 | ||
| 声道1数据1 | 声道2数据1 | 声道1数据2 | 声道2数据2 |
1. 16 Bit 单声道：
| 采样1 | 采样2 | ||
| 数据1低字节 | 数据1高字节 | 数据1低字节 | 数据1高字节 |
2. 16 Bit 双声道
| 采样1 | |||
| 声道1数据1低字节 | 声道1数据1高字节 | 声道2数据1低字节 | 声道2数据1高字节 |
| 采样2 | |||
| 声道1数据2低字节 | 声道1数据2高字节 | 声道2数据2低字节 | 声道2数据2高字节 |
下面我们看一个具体的例子，声音文件如下：
52 49 46 46 24 08 00 00 57 41 56 45 66 6d 74 20 10 00 00 00 01 00 02 00 22 56 00 00 88 58 01 00 04 00 10 00 64 61 74 61 00 08 00 00 00 00 00 00 24 17 1e f3 3c 13 3c 14 16 f9 18 f9 34 e7 23 a6 3c f2 24 f2 11 ce 1a 0d
WAV文件以小端形式来进行数据存储。
所谓的大端模式，是指数据的低位保存在内存的高地址中，而数据的高位，保存在内存的低地址中；
所谓的小端模式，是指数据的低位保存在内存的低地址中，而数据的高位保存在内存的高地址中。
参考：
http://www.cnblogs.com/cheney23reg/archive/2010/08/08/1795067.html