我正在编写一个应用程序来操作音频，我首先需要将文件（wav、MP3 等）转换为原始数据（样本显示为浮点数）。
我在 cmd 中使用 ffmpeg：
ffmpeg -i test.wav -f s16le -acodec pcm_s16le output.dat
文件中的样本如何表示output.dat？我知道一个样本在 S16 下需要两个字节，双通道意味着它存储为 L1 R1 L2 R2 ......但是这个文件是否带有帧表示或 dat 文件中的所有字节都是样本值？两种方法转换后的 test.wav 文件大小不相同。一种是通过libav使用ffmpeg网站上的示例代码，另一种是上面提到的，直接在cmd中使用ffmpeg.exe，前一种方法给我的文件大小略小。当我发现有人说pcm使用框架演示时我很困惑（2048 个样本一帧）。
我实际上不需要任何代码，但希望有人可以详细解释原始 pcm 格式。
非常感谢
从 44,100 kHz 采样率的位深度为 16 位的立体声 wav 文件开始，您将拥有标准 CD 质量的音频文件...在命令行上发出此命令以在文件上显示此类统计信息
ffprobe Cesária_Évora.wav
典型输出
Duration: 00:00:21.51, bitrate: 1411 kb/s
Stream #0:0: Audio: pcm_s16le ([1][0][0][0] / 0x0001), 44100 Hz, 2 channels, s16, 1411 kb/s
从 wav 问题创建 PCM 文件
ffmpeg -i Cesária_Évora.wav -f s16le -acodec pcm_s16le cesaria.dat
请注意，wav 文件只是一个 44 字节的标头，后跟有效负载，它是 PCM 格式的原始音频曲线……这个 PCM 文件严格来说是 L1 R1 L2 R2 仅此而已……任何帧的概念都是我们如何解析没有专用于实现帧的位（如开始/结束标记）的数据......编写代码来操作 PCM 数据请记住您的位深度以及您的文件是否具有小端或大端字节结构...只要您的文件的位深度为 8 位，那么您可以放心地忽略字节顺序，因为您永远不需要移动字节，但是由于上述文件的位深度为 16 位，这意味着音频曲线的每个点都由单个表示每通道 16 位数字（立体声是两个通道，单声道是一个通道）
当读取这样的文件时，这个 16 位数字存储在两个字节中......如果在读取字节时为小端，最左边的字节（在循环中第一次遇到，当您遍历文件时）是最小的字节，然后是下一个更重要的字节含义
L1 R1 L2 R2
下面我们表示音频曲线上两个 16 位点的立体声表示
Llittle1 Lbig1 Rlittle1 Rbig1 Llittle2 Lbig2 Rlittle2 Rbig2
当我们谈到用于存储这两个点的单个字节时......上面的注释显示了 8 个字节......类似地，如果我们有 24 个字节的位深度，那么对于一个通道上的一个原始音频样本来说，如下所示
Llittle1 Lbigger1 Lbiggest1 Rlittle1 Rbigger1 Rbiggest1
所以从概念上讲，当读取位深度为 16 位的小端文件时，这里是您如何为原始音频曲线上的一个点解析一个通道的 PCM
Llittle1 Lbig1
现在要生成一个值L1，您在概念上执行此操作
L1 = ( Lbig1 << shift 8 bits to left ) + Llittle1
不确定这是否是您正在寻找的抽象级别，但它是确定数字音频的垫脚石
超级有用的工具Audacity允许您导入 PCM 格式的原始音频文件，就像我们在上面生成的 cesaria.dat ... Audacity -> 文件 -> 导入 -> 原始数据 -> 选择 cesaria.dat ->
-f s16le生成没有标题/预告片或任何元数据的原始样本转储。因此，这只是L1 R1 C1 L2 R2 C2...LRC 代表 3 个通道的地方。
当 ffmpeg 读取这样的文件时，它将一次从每个通道读取和帧 1024 个样本，除非sampling rate/25小于 1024，在这种情况下，它将读取并打包这些许多样本，例如对于 16000 Hz 的流，sampling rate/25=640小于1024。因此，ffmpeg 将为这样的立体声流打包640x2=1280样本。