سرآیند یک فایل WAV را بررسی کنید

این ابزار چه می‌کند

به سؤال‌هایی پاسخ می‌دهد که یک فایل WAV با پخش شدن به آن‌ها پاسخ نمی‌دهد: با چه نرخی ضبط شده، چند بیت عمق دارد، چگونه کدگذاری شده و دقیقاً چقدر طول دارد. این‌ها ارقامی هستند که تعیین می‌کنند فایل وارد می‌شود یا نه، و در چهل‌وچهار بایت ابتدای فایل قرار دارند که هیچ پخش‌کننده‌ای به شما نشان نمی‌دهد.

دلیل اینکه خواندنشان ارزش دارد این است که سرآیند WAV می‌تواند اشتباه باشد. نرخ نمونه‌برداری، تعداد کانال و مدت صدا همگی مستقل از خود صدا ثبت می‌شوند، بنابراین یک فایل می‌تواند از درون ناسازگار باشد و همچنان باز شود. وقتی یک ضبط با سرعت اشتباه پخش می‌شود، نیم ثانیه کوتاه‌تر در می‌آید، یا ابزار مسترینگی که دلیلش را نمی‌گوید آن را رد می‌کند، پاسخ معمولاً همین‌جا دیده می‌شود.

روش

یک فایل WAV یک کانتینر RIFF است: دوازده بایت مقدمه، سپس فهرستی مسطح از چانک‌ها. هر چانک چهار کاراکتر ASCII شناسه، یک طول ۳۲ بیتی و به همان تعداد بایت بار دارد. دو چانک الزامی است — fmt ، که کدگذاری را توصیف می‌کند، و data، که نمونه‌ها را نگه می‌دارد — و بقیه فراداده‌ای است که ضبط‌کننده‌ها و ویرایشگرها اضافه می‌کنند.

سه نکته در آن پیمایش هست که یک خوانندهٔ ساده‌انگار در آن‌ها خطا می‌کند، و هر سه در فایل‌های معمولی پیش می‌آیند:

بار هر چانک تا طول زوج پر می‌شود و بایت پرکننده شمرده نمی‌شود. اگر از آن بگذرید، هر چانک پس از اولین چانک با طول فرد یک بایت جابه‌جا خوانده می‌شود، که خطا نمی‌دهد — فهرستی قابل‌قبول از مزخرفات تولید می‌کند.

طول اعلام‌شده ممکن است از فایل بلندتر باشد. این یک ضبط بریده‌شده است، و آن‌قدر رایج است که رد کردن فایل پاسخ اشتباهی باشد. طول به آنچه موجود است محدود می‌شود و هر دو رقم گزارش می‌شوند.

یک چانک ممکن است طولش را صفر اعلام کند. این مجاز است، و پیمایشی که به اندازهٔ طول اعلام‌شده جلو می‌رفت برای همیشه روی آن می‌ماند. آفست در اینجا همیشه دست‌کم به اندازهٔ هشت بایت سرآیند چانک حرکت می‌کند.

خود مدت هیچ‌جای فایل WAV ذخیره نمی‌شود. محاسبه می‌شود: تعداد بایت‌های صدا، تقسیم بر تعداد بایت‌های یک فریم نمونه، تقسیم بر تعداد فریم در ثانیه. برای PCM، float، A-law و mu-law این تقسیم دقیق است، چون هر فریم عرض یکسانی دارد. برای یک فرمت فشرده این‌طور نیست — تعداد فریم‌ها در یک بلوک متغیر است — بنابراین مدت از چانک fact می‌آید که دقیقاً به همین دلیل وجود دارد، و وقتی فایلی آن را ندارد به نرخ بایت میانگین برمی‌گردد.

یک چیز دیگر هم باز می‌شود. هر چیزی بالاتر از دو کانال یا بالاتر از ۱۶ بیت قرار است تگ فرمت WAVE_FORMAT_EXTENSIBLE را اعلام کند، که اصلاً یک فرمت نیست: تگ واقعی اولین بایت‌های یک GUID شانزده‌بایتی است که بیست‌وچهار بایت جلوتر در چانک قرار دارد. خواننده‌ای که در ابتدای fmt متوقف شود، یک مستر کاملاً معمولی ۲۴ بیتی را به‌عنوان کدگذاری ناشناخته گزارش می‌کند.

پیش از ادامهٔ مطلب

یک چانک WAV باری به اندازهٔ ۴٬۰۰۱ بایت اعلام می‌کند — یک عدد فرد. چانک بعدی از کجا شروع می‌شود؟

• Aبلافاصله پس از آن، ۴٬۰۰۱ بایت جلوتر.

  این همان باگ است، و بی‌سروصداست. از آن به بعد هر چانک پس از اولین چانک با طول فرد یک بایت جابه‌جا خوانده می‌شود.

• B۴٬۰۰۲ بایت جلوتر — یک بایت پرکننده هست و طول آن را نمی‌شمارد.

  بله. RIFF بار هر چانک را تا طول زوج پر می‌کند.

• Cهیچ‌جا — طول فرد فایل را نامعتبر می‌کند.

  کاملاً مجاز است. چانک‌های با طول فرد در فایل‌های معمولی از ویرایشگرهای معمولی پیدا می‌شوند.

۴٬۰۰۲ بایت جلوتر. بار RIFF تا طول زوج پر می‌شود و بایت پرکننده در طول اعلام‌شده شمرده نمی‌شود، بنابراین خواننده‌ای که فقط به اندازهٔ طول جلو می‌رود، به ازای هر چانک فردی که از آن می‌گذرد یک بایت منحرف می‌شود. چیزی که آن را به بدترین نوع باگ تبدیل می‌کند این است که خطا نمی‌دهد — فهرستی قابل‌قبول از مزخرفات تولید می‌کند، چهار بایت بار نامتراز که به‌عنوان شناسهٔ چانک خوانده می‌شود، و فایلی که تجزیه‌شده به نظر می‌رسد. دو مورد مرتبط هم اینجا کنارش هستند: طول اعلام‌شدهٔ بلندتر از فایل یک ضبط بریده‌شده است نه دلیلی برای رد کردن، و یک چانک ممکن است به‌طور مجاز صفر اعلام کند، بنابراین پیمایش همیشه دست‌کم به اندازهٔ هشت بایت سرآیند چانک جلو می‌رود.

1. 4,000 bytes of audio

   طول اعلام‌شدهٔ چانک data، و تنها رقمی دربارهٔ مدت که فایل واقعاً دارد.

2. / 2 bytes per frame = 2,000 frames

   یک فریم یعنی همهٔ کانال‌ها در یک لحظه نمونه‌برداری شده باشند. اینجا یک کانال با ۱۶ بیت است، یعنی دو بایت.

3. / 8,000 frames per second = 0.25 s

   به‌صورت ۰:۰۰٫۲۵۰ نشان داده می‌شود. هیچ‌چیز در سرآیند این را نمی‌گوید؛ هر بار محاسبه می‌شود.

4. فقط وقتی دقیق است که عرض همهٔ فریم‌ها یکسان باشد

   برای PCM، float، A-law و mu-law درست است. برای یک فرمت فشرده تعداد فریم در هر بلوک متغیر است، بنابراین شمارش از چانک fact می‌آید — که دقیقاً به همین دلیل وجود دارد — و وقتی فایلی آن را ندارد به نرخ بایت میانگین برمی‌گردد.

یک مثال کارشده

فایل tone.wav که آزمون مرورگر این ابزار از آن استفاده می‌کند ۴٬۰۴۴ بایت است. سرآیند آن چنین می‌خواند:

offset  bytes                    meaning
     0  52 49 46 46              "RIFF"
     4  c4 0f 00 00              4,036 — the size of everything after this field
     8  57 41 56 45              "WAVE"
    12  66 6d 74 20              "fmt "
    16  10 00 00 00              16 — the fmt payload is 16 bytes long
    20  01 00                    format tag 1: PCM
    22  01 00                    1 channel
    24  40 1f 00 00              8,000 frames per second
    28  80 3e 00 00              16,000 bytes per second
    32  02 00                    2 bytes per frame
    34  10 00                    16 bits per sample
    36  64 61 74 61              "data"
    40  a0 0f 00 00              4,000 bytes of audio
    44  ...                      the audio

هر عدد در فیلدهای چندبایتی با ترتیب بایت little-endian است، بنابراین 40 1f 00 00 همان 0x00001f40 است که می‌شود ۸٬۰۰۰.

از آن:

رقم	محاسبه	نتیجه
فریم‌های نمونه	۴٬۰۰۰ بایت ÷ ۲ بایت در هر فریم	۲٬۰۰۰
مدت	۲٬۰۰۰ فریم ÷ ۸٬۰۰۰ در ثانیه	۰٫۲۵ ثانیه، نشان‌داده‌شده به‌صورت ۰:۰۰٫۲۵۰
نرخ بیت	۱۶٬۰۰۰ بایت × ۸ ÷ ۱٬۰۰۰	۱۲۸ کیلوبیت بر ثانیه
چانک‌ها	fmt در آفست ۱۲، data در آفست ۳۶	۲

دو بررسی متقاطع که نشان می‌دهد فایل از درون سازگار است: ۴۴ بایت سرآیند به‌علاوهٔ ۴٬۰۰۰ بایت صدا می‌شود ۴٬۰۴۴، که اندازهٔ فایل است؛ و اندازهٔ RIFF اعلام‌شده، ۴٬۰۳۶، همان رقم منهای هشت بایت شناسهٔ RIFF و فیلد طول خودش است.

این‌ها همان اعدادی هستند که در فایل آزمون این ابزار، در برابر همان بایت‌های روی دیسک، تأیید می‌شوند؛ بنابراین اگر تجزیه‌کننده بدون آنکه این صفحه همراهش تغییر کند تغییر کند، ساخت شکست می‌خورد.

کاری که انجام نمی‌دهد

هیچ صدایی را رمزگشایی نمی‌کند، بنابراین نمی‌تواند بگوید یک برداشت کلیپ شده، بی‌صدا، نویزی یا خراب است — فقط آنچه فایل دربارهٔ خودش می‌گوید. فایل‌های WAV را می‌خواند و بس: یک MP3، FLAC، AIFF یا M4A فقط آن‌قدر شناخته می‌شود که در پیام خطا نامش گفته شود. محتوای چانک‌های فراداده را نمی‌خواند، بنابراین یک چانک bext با اندازه و کاربردش فهرست می‌شود اما تایم‌کد و originator آن نشان داده نمی‌شود. هیچ‌چیز را تغییر نمی‌دهد و چیزی را بازنویسی نمی‌کند — تنها چیزی که تولید می‌کند یک توصیف JSON است که می‌توانید دانلود کنید.

و یک فایل را توصیف می‌کند، نه اینکه از آن اثرانگشت بگیرد. اگر سؤال این است که آیا دو نسخه بایت‌به‌بایت یکسان‌اند، هیچ سرآیندی نمی‌تواند پاسخ دهد — یک چک‌سام فایل می‌تواند. اگر سرآیند سالم است و کار بعدی نگه داشتن یک بازهٔ زمانی است، پس از بررسی، فایل WAV را برش دهید.