非圧縮WAVファイルの構造と読み方

非圧縮WAVファイルは、音声データとその形式を示す情報をチャンクとして格納したファイルです。

非圧縮WAVの基本構造

非圧縮WAVはRIFF形式のコンテナです。先頭のRIFFとWAVEに続き、チャンクが並びます。各チャンクは通常「4 byteのID」「4 byteのサイズ」「サイズ分の内容」で構成されます。fmt は音声形式の情報、dataは音声データを表し、ほかのチャンクが含まれることもあります。

RIFF | RIFFサイズ(4 byte) | WAVE
fmt  | fmtサイズ(4 byte)  | 音声フォーマット情報
data | dataサイズ(4 byte) | 音声サンプル

チャンクIDとそのサイズを使って順に読みます。数値は通常リトルエンディアンです。

今回確認したRIFFサイズ

RIFFの後ろにあるCC BA 06 00は4 byteのサイズ値です。リトルエンディアンとして読むと次のとおりです。

• 値: 0x0006BACC
• 10進数: 441,036 byte
• RIFFサイズに含まれるのは、サイズ欄の直後からRIFFチャンク末尾までです。RIFFの4 byteとサイズ欄自身の4 byteは含みません。
• ファイル全体のサイズは通常、RIFFサイズに先頭の8 byteを足した441,044 byteです。

fmt チャンクの内容

fmt の直後の10 00 00 00はfmtチャンクのサイズで、16 byteを表します。続く16 byteは以下のように解釈できます。

バイト列	項目	値
01 00	音声形式	1（PCM・非圧縮）
01 00	チャンネル数	1（モノラル）
44 AC 00 00	サンプルレート	44,100 Hz
88 58 01 00	バイトレート	88,200 byte/秒
02 00	ブロックサイズ	2 byte/サンプルフレーム
10 00	ビット深度	16 bit

つまり、この音声は44.1 kHz・16 bit・モノラルのPCMです。バイトレートは44,100 × 1 × 2 = 88,200 byte/秒になります。

dataチャンクと音声サンプル

dataチャンクのサイズが示す範囲が音声データです。今回の形式では1サンプルが16 bit（2 byte）なので、2 byteずつのリトルエンディアンの符号付き整数として読みます。たとえばバイト34 12は値0x1234です。

ステレオの場合は左右チャンネルのサンプルが交互に並びます。音声の復号ではチャンネル数・ビット深度・形式に合わせて解釈してください。