音频文件PCM、WAV、MP3的区别以及文件合并

采样率即采样频率，指的一秒内的采样次数，它反映了采样点之间的间隔大小。常说的 44.1KHz 采样率，也即 1 秒采集了 44100 个样本。间隔越小，丢失的信息越少，数字声音就越逼真细腻，要求的存储量也就越大。由于计算机的工作速度和存储容量有限，而且人耳的听觉上限为20kHz，所以采样频率不可能也不需要太高。根据奈奎斯特采样定律，只要采样频率高于信号中最高频率的两倍，就可以从采样中恢复原始的波形。因此，40kHz以上的采样频率足以使人满意。

在实际应用中，我们为了平衡带宽和音质，不同场景往往会有不同的选择。常见的选择如下：

位深又叫做量化位数、采样位数、分辨率，它是指声音的连续强度被数字表示后可以分为多少级。N-bit的意思声音的强度被均分为2^N级。16-bit的话，就是65535级。这是一个很大的数了，人可能也分辨不出六万五千五百三十五分之一的音强差别。也可以说是声卡的分辨率，它的数值越大，分辨率也就越高，所发出声音的能力越强。原则上，这个值也是大一些比较好，但是记录的数据量也会成倍增长。

和采样率的选择类似，虽然理论上来说位深越大越好，但是综合带宽、存储、实际听感的考虑，我们应该为不同场景选用不同的位深：

声音记录只产生一个波形，称为单声道。声音记录只产生两个波形，称为立体声双道（最基本的立体声是两声道：左声道、右声道）。立体声比单声道声音丰满、空间感强，但需要两倍的存储空间。

数字音频的三要素不仅影响音频质量，也会影响音频存储、传输所需的空间、带宽。而实际应用场景下，音质决定用户体验、带宽决定成本，都是我们必须考虑到。音质可能更多是主观上的感受，但带宽、空间是比较容易量化的，我们需要了解音频码率的概念。

音频码率，又称为比特率，指的是单位时间内（一般为1s）所包含的音频数据量，可以通过公式计算。比如采样率 44.1KHz，位深16bit的双声道音频PCM数据，它的原始码率为：

原始码率 = 采样率/s x 位深/bit x 声道数 x 时长(1s)=44.1x1000x16x2x1 = 1411200 bps = 1411.2 kbps = 1.411 Mbps （需要注意单位之间的差异和转换，b=bit）

如果一个PCM文件时长为1分钟，则传输/存储这个文件需要的数据量为：1.411 Mbps * 60s = 86.46Mb。

需要注意的是，上述计算结果是未经压缩的、原始音频PCM数据的码率。RTC场景下，往往还需要再使用 AAC、OPUS 等编码算法做编码压缩，进一步减小带宽、存储的压力。码率的选择也是一个综合质量和成本的博弈，以后我们会详细讲解音频编码的知识，此处大家先了解即可。

wav是一种无损的音频文件格式，wav文件格式是用于多媒体文件存储的微软RIFF规范的一个子集。一个RIFF文件从一个文件头开始，后面是一系列的数据块。一个wav文件通常只是一个带有单一"WAVE"块的RIFF文件。"WAVE"块是由两个子块组成的，一个是指定数据格式的“fmt”块和另一个是包含实际样本数据的数据块。这种形式被称为是“规范形式”（"Canonical form"）。具体格式如图所示：

上图中的data区域就是就是真正的数据部分，data上面的44字节是文件头，其文件头格式可以用下面的结构体表示：

PCM（Pulse Code Modulation----脉码调制录音)。所谓PCM录音就是将声音等模拟信号变成符号化的脉冲列，再予以记录。PCM信号是由[1]、[0]等符号构成的数字信号，而未经过任何编码和压缩处理。与模拟信号比，它不易受传送系统的杂波及失真的影响。动态范围宽，可得到音质相当好的影响效果。在音视频中，PCM是一种用数字表示采样模拟信号的方法。

MP3是一个数据压缩格式，

WAV可以使用多种音频编码来压缩其音频流，不过我们常见的都是音频流被PCM编码处理的WAV，但这不表示WAV只能使用PCM编码，MP3编码同样也可以运用在WAV中，和AVI一样，只要安装好了相应的Decode，就可以欣赏这些WAV了。在Windows平台下，基于PCM编码的WAV是被支持得最好的音频格式，所有音频软件都能完美支持，由于本身可以达到较高的音质的要求，因此，WAV也是音乐编辑创作的首选格式，适合保存音乐素材。因此，基于PCM编码的WAV被作为了一种中介的格式，常常使用在其他编码的相互转换之中，例如MP3转换成WMA。

简单来说：pcm是无损wav文件中音频数据的一种编码方式，但wav还可以用其它方式编码。

（1）wav转pcm，原理就是将文件头去掉，数据转成int型即可。

（2）pcm转wav，原理就是利用wave库，添加通道信息、采样位数、采样率等信息作为文件头，pcm数据直接写入即可。