WAV为微软公司（Microsoft)开发的一种声音文件格式，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，
该格式也支持MSADPCM，CCITT A LAW等多种压缩运算法，支持多种音频数字，取样频率和声道，标准格式化的WAV文件和CD格式一样，也是44.1K的取样频率，16位量化数字，因此在声音文件质量和CD相差无几。
WAVE文件为了与RIFF保持一致，数据采用“chunk”来存储。
因此，如果想要在WAVE文件中补充一些新的信息，只需要在在新chunk中添加信息，而不需要改变整个文件。这也是设计IFF最初的目的。
对于一个基本的WAVE文件而言，最少包含以下三种Chunk：
以上三个chunk 顺序固定，对于其它的chunk，顺序没有严格的限制。
具体格式如下：
然而，所有基于压缩编码的WAV文件必须含有fact块。此外所有其它块都是可选的。fmt，Data及fact块均为RIFF块的子块。WAV文件的文件格式类型标识符为“WAVE”。
各个chunk中字段的意义如下：
RIFF chunk
| ID | FOURCC 值为'R' 'I' 'F' 'F' |
| Size | data字段中数据的字节数 |
| Data | 包含其它的chunk |
Format chunk
| ID | FOURCC 值为 'f' 'm' 't' ' ' | |
| Size | 数据字段包含数据的大小。如无扩展块，则值为16；有扩展块，则值为 16 + 2字节扩展块长度 + 扩展块长度或者值为18（只有扩展块的长度为2字节，值为0） | |
| Data | format_tag | 2字节，表示音频数据的格式。如值为1，表示使用PCM格式。 |
| channels | 2字节，声道数。值为1则为单声道，为2则是双声道。 | |
| samples_per_sec | 采样率，主要有22.05KHz，44.1kHz和48KHz。 | |
| bytes_per sec | 音频的码率，每秒播放的字节数。samples_per_sec * channels * bits_per_sample / 8，可以估算出使用缓冲区的大小 | |
| block_align | 数据块对齐单位，一次采样的大小，值为声道数 * 量化位数 / 8，在播放时需要一次处理多个该值大小的字节数据。 | |
| bits_per_sample | 音频sample的量化位数，有16位，24位和32位等。 | |
| cbSize | 扩展区的长度 | |
| 扩展块内容 | 22字节，具体介绍请看下面 | |
其中 format_tag 可以取如下值：
| 格式代码 | 格式名称 | fmt 块长度 | fact 块 |
| 1(0x0001) | PCM/非压缩格式 | 16 | |
| 2(0x0002 | Microsoft ADPCM | 18 | √ |
| 3(0x0003) | IEEE float | 18 | √ |
| 6(0x0006) | ITU G.711 a-law | 18 | √ |
| 7(0x0007) | ITU G.711 μ-law | 18 | √ |
| 49(0x0031) | GSM 6.10 | 20 | √ |
| 64(0x0040) | ITU G.721 ADPCM | √ | |
| 65,534(0xFFFE) | 见子格式块中的编码格式 | 40 |
其中的扩展格式块：
当WAV文件使用的不是PCM编码方式是，就需要扩展格式块，它是在基本的Format chunk又添加一段数据。
该数据的前两个字节，表示的扩展块的长度。紧接其后的是扩展的数据区，含有扩展的格式信息，其具体的长度取决于压缩编码的类型。
当某种编码方式（如 ITU G.711 a-law）使扩展区的长度为0，扩展区的长度字段还必须保留，只是其值设置为0。
扩展区的各个字节的含义如下：
| Size | 扩展区的数据长度 ，可以为0或22 |
| valid_bits_per_sample | 有效的采样位数，最大值为采样字节数 * 8。可以使用更灵活的量化位数，通常音频sample的量化位数为8的倍数，但是使用了WAVE_FORMAT_EXTENSIBLE时，量化的位数有扩展区中的valid bits per sample来描述，可以小于Format chunk中制定的bits per sample |
| channle mask | 4字节，声道掩码 |
| sub format | 16字节，GUID，include the data format code，数据格式码。 |
在Format chunk中的format_tag设置为0xFFFE时，表示使用扩展区中的sub_format来决定音频的数据的编码方式。在以下几种情况下必须要使用WAVE_FORMAT_EXTENSIBLE
- PCM数据的量化位数大于16
- 音频的采样声道大于2
- 实际的量化位数不是8的倍数
- 存储顺序和播放顺序不一致，需要指定从声道顺序到声卡播放顺序的映射情况。
Fact chunk （可选）
| ID | FOURCC 值为 'f' 'a' 'c' 't' |
| Size | 数据域的长度，4（最小值为4） |
| Data | 每个声道的采样总数 4字节 |
Data chunk
| ID | FOURCC 值为'd' 'a' 't' 'a' |
| Size | 数据域的长度 |
| Data | 具体的音频数据存放在这里 |
Data块中存放的是音频的采样数据。每个sample按照采样的时间顺序写入，对于使用多个字节的sample，使用小端模式存放（低位字节存放在低地址，高位字节存放在高地址）。对于多声道的sample采用交叉存放的方式。例如：立体双声道的sample存储顺序为：声道1的第一个sample，声道2的第一个sample；声道1的第二个sample，声道2的第二个sample；依次类推....。对于PCM数据，有以下两种的存储方式：
- 单声道，量化位数为8，使用偏移二进制码
- 除上面之外的，使用补码方式存储。
描述WAVE文件的基本单元是“Sample”，一个Sample代表采样一次得到的数据。因此如果用44KHz采样，将在一秒中得到44000个Sample。
每个Sample可以用8位、24位，甚至32位表示（位数没有限制，只要是8的整数倍即可），位数越高，音频质量越好。
注意：8位代表无符号的数值，而16位或16位以上代表有符号的数值
处理多声道音频时，每个声道的样本是交叉存储的（先存储第一个sample的左声道数据，然后存储第一个sample的右声道数据）
每秒数据大小（字节）=采样率 * 声道数 * sample比特数 / 8