作为一个初级的算法和声纹的工程师，写个blog记录一下自己近期所接触的知识点，作为日后参考和复习用
首先都是文本，后期有空再加图片和改格式，很多内容都是通过被人的blog参考和整理得来。
日后慢慢的更新声纹识别SRE的算法以及机器学习的算法和数据分析的实践
更新：最近项目测了个模型，刚好在读取文件中尝试写了一下关于读取WAV文件里面纯音频的C++代码，很少的行数，但是逻辑应该蛮清楚的。wav文件的解析只是帮助了解文件的格式，但是用代码读它才是实际应用的干货
----------------------------------华丽的分割线------------------------------------------------------------------------------------------
wav是微软开发的一种音频文件格式.
它符合它符合RIFF(Resource Interchange File Format)文件规范，用于保存Windows平台的音频信息资源，
被Windows平台及其应用程序所广泛支持。
其基本构成为以“块”（chunk）组成的单元，RIFF 文件以一串数据块（data chunks）组成的文件头为开始，"标
准型"wav文件往往只是 RIFF 文件中一个单独的"WAVE"大块，包含两个子块：描述数据格式信息的fmt块和包含实际的示例数据的数据块
标准化的wav文件都是44.1k的采样率，采用16位的数字表示。
但是我们的成了里面采样率是16k的，采用16为的数字表示。
wav文件分为两个部分，第一个部分是wav头文件，第二个部分是PCM编码的音频数据部分。
用od -x raw_mfcc_train.2.ark | head 以16进制的形式查看二进制文件的头几行
或者你可以
用vim name.wav 打开命名微name的音频文件后，输入 :%!xxd 将当前文本转换微16进制格式，（不推荐）
会生成一个这样的格式，取前48字节得：
00000000: 5249 4646 4417 0200 5741 5645 666d 7420 RIFFD...WAVEfmt
00000010: 1000 0000 0100 0100 803e 0000 007d 0000 .........>...}..
00000020: 0200 1000 6461 7461 2017 0200 3a00 2c00 ....data ...:.,.
（注意：对于16bit的wav格式语音来说，文件是由44个字节Bytes组成的，语音是读取short的格式，两个byte一起读
比如0001读取后 01是高位，00是低位，进行高低位互换，就是倒着看 0001）
他是两个字节两个字节一起读的，例如5249有两个字节 52 和 49，每一行总共16个字节.
下面的四个字节，两个字节是按顺序截取。
RIFF chunck：（当文件的类型是WAVE时，需要fmt数据快和data数据块）
1.四个字节:把文件标记为RIFF文件,也就是52 49 46 46 = RIFF格式，每个字符用一个字节表示.
对照这ASCII表可以得到：R=52,I=49,F=46,F=46。 52 的16进制等于82的10进制，在ASCII中为R，同理得I，F，F
http://ascii.911cha.com/ 贴个ASCII对照表方便懒人检查
2.四个字节: 44 17 02 00 描述了从下个地址到文件尾的总字节数，计算的时候得倒着看
00021744变10进制=4*16^0+4*16^1+7*16^2+1*16^3+2*16^4 = 137028字节。4个字节整数表示总体文件大小，以字节为单位（32 位整数）在创建之后即填写。这里得到的大小是需要减去前8个bytes的。
3.四个字节:文件类型标记为为WAVE， *.wav格式，57 41 56 45，这四个字节对应ASCII的表也是代表WAVE
fmt sub-chunck:（描述的是在数据块中，声音信息的格式）
4.四个字节：波形格式标志(fmt), 最后一位是空格，描述数据格式信息。66 6d 74 20就是ASCII “fmt”的每个字符16进制表达式 最后一个字节代表了空格 66=f, 6d=m, 74=t, 20=空格
5.四个字节：fmt chunck的大小 10 00 00 00，就是fmt数据的大小，有多少个字节，在这里倒过来看是00000010，也就是16个字节，代表这PCM，从后面的0100 到最后的1000总共有16个字节
6.两个字节：0100倒过来看是0001,10进制值为1时，代表PCM类型的音频数据
PCM简单介绍：
数字信号是对连续变化的模拟信号进行抽样、量化和编码产生的，称为PCM（Pulse-code modulation），即脉冲编码调制。PCM实际上就是讲这个波形图通过按一定的时间间隔，收集起来。音频波形图
7.两个字节：通道数，1为单声道，2为双声道。这里是0100倒过来看是0001，值为1,就是单声道
8.四个字节：采样率，这里是80 3e 00 00 倒过来高低位互换，00003e80变成二进制是8*16+14*16*16+3*16*16*16=16000=16K
9.四个字节：每秒的数据字节数00 7d 00 00,倒过来看 00007d00变成二进制=32000,所以速度是32kByte/s
每秒传输32K字节的数据
10.两个字节：数据快的对齐数=每样值位数*通道/8,表示所有通道的一个样值所需的比特数。02 00 倒过来0002
11.两个字节：每个采样点的量化位数=每样值位数 10 00 倒过来为0010=16比特
Data sub-chunck：（这里主要描述的是音频数据的大小，后面就是音频数据了）
12：四个字节：data块标记码。 描述“data”这个字符的四个16进制的字节。转换成ascii码好理解
64 61 74 61 对照ascii表格得到 64=d 61=a 74=t 61=a
13:四个字节：有效语音数觉的大小：20 17 02 00 高低位互换倒过来看是00 02 17 20,然后变成10进制
0*16^0+2*16+7*16*16+1*16*16*16+2*16*16*16*16=136992字节
14：之后就是音频数据了
这是将语音音频文件用16进制的编译器打开后的最后一行
00021740: 2b00 2a00 2c00 2c00 2c00 2f00 0a +.*.,.,.,./..
一共有00021740个地址快，所以文件大小=0*16^0+4*16^1+7*16^2+1*16^3+2*16^4=137024字节
然后最后一行少了3个字节，所以是137024-3=137021字节
硬盘是1024Bytes对齐，所以 有137024/1024=133.8，为了对齐，占用空间为134*1024=137216字节
更新：上面说了多知识，但到底得怎么用C++读这些个wav文件呢？ C++有专门的函数来读取 文件头
直接复制代码了，后期还会贴上如何去遍历一个文件下不同说话人的音频的代码，然后两个代码组合来读取不同说话人的WAV文件。我现在用的方法很笨，不是很智能所以就不贴出来了。目前在研究map去做存储和查找，struct去把音频分类为训练和测试。
#include "wave_parser.h" //首先需要头文件引用这个库
#include <string>
#include <iostream>
#include <stdio.h>
#include <stdlib.h>
#include <io.h>
#include <vector>
int SimpleReadWav(const char* fname, uint32_t headersize, int16_t **wav, uint32_t *len)
//上面这里的headersize可以忽略
{
string path(fname);
WaveParser parser(path); //读取了wav，这个类对于处理wave文件很便利，他还有很多member，详细的自己去看把
if (!parser.parse()) {
return 0;
}
headersize = (uint32_t)parser.getHeaderLen(); //这一句就是用来读取文件头的长度
printf("HeaderLen=%d\n", headersize);
FILE *fp = fopen(fname, "rb");
if (fp == NULL)
{
printf("Open file failed: %s\n", fname);
return 1;
}
fseek(fp, 0, SEEK_END); //fseek() 这一句是把当前的指针指向文件内容的最后面
*len = (ftell(fp) - headersize) / sizeof(int16_t);
//ftell()是当前为止即文件末到文件首的字节数，即文件大小，减去headersize，剩下的就是纯音频data的长度
if (*len <= 0)
{
printf("Read file failed: %s\n", fname);
return 2;
}
*wav = new int16_t[*len]; //开一个数组存音频
fseek(fp, headersize, SEEK_SET);
fread(*wav, sizeof(int16_t), *len, fp);
//就是除开头文件的长度，从第头文件长度+1的位置开始读取data出入wav中，读到len即整个音频data的长度结束
fclose(fp);
return 0;
}在kaldi的管道存储文件中 .scp
每一行 表示数据从去掉音频文件名的位置开始读取数据
比如
BAC009S0105W0469BAC009S0105W0469 /home/yongyu/Gao/kaldi/egs/aishell/v1/mfcc/raw_mfcc_train.4.ark:17
BAC009S0105W0470 /home/yongyu/Gao/kaldi/egs/aishell/v1/mfcc/raw_mfcc_train.4.ark:12255
BAC009S0105W0471 /home/yongyu/Gao/kaldi/egs/aishell/v1/mfcc/raw_mfcc_train.4.ark:18973
BAC009S0105W0472 /home/yongyu/Gao/kaldi/egs/aishell/v1/mfcc/raw_mfcc_train.4.ark:29331
BAC009S0105W0473 /home/yongyu/Gao/kaldi/egs/aishell/v1/mfcc/raw_mfcc_train.4.ark:38589
BAC009S0105W0474 /home/yongyu/Gao/kaldi/egs/aishell/v1/mfcc/raw_mfcc_train.4.ark:48207
BAC009S0105W0475 /home/yongyu/Gao/kaldi/egs/aishell/v1/mfcc/raw_mfcc_train.4.ark:55905References:
https://blog.csdn.net/llearner/article/details/69396283
http://soundfile.sapp.org/doc/WaveFormat/
https://blog.csdn.net/pi9nc/article/details/12570841