工作中接触到ASR(音频转文本)，所以在网上查阅了相关资料，给自己做个笔记。
我们用的科大讯飞的私有云，其中音频格式大部分是PCM编码格式，在转为wave文件时，需要加上一个文件头，这个文件头为44个字节。
（1）wave是文件的格式，只要有一个符合格式的“头”和大量的”数据块“按要求组成文件就可以了。它并没有详细规定数据块中的数据采用哪种编码。
PCM就是一种编码格式，保存为WAV文件的音频可以有多种编码格式，既可以是PCM也可以是ADPCM、A-Law、u-Law等等。常见的WAV可用编码格式还有：IEEE浮点、GSM6.1甚至MpegLayer-3。没错，就是MP3。
所有，有时会内看到这个WAV能播放，另一容不能播放，但是换一台电脑又可以播放了的情况。这是因为第一台电脑上没有安装对应的解码器。
（2）透过脉冲编码调制PCM(Pulse Code Modulation)将声音数字化，即模拟音频信号经模数转换(A/D变换)直接形成二进制序列，该文件没有附加的文件头和
文件结束标志，windows的Convert工具能够把PCM音频格式的文件转换成Microsoft的WAV格式的文件。
（3）计算：
总区块大小：36+子区块2大小 或者 4+(8+子区块1大小)+(8+子区块2大小)；
注：如果为PCM，子区块1大小为16
传输速率：取样率*声道数*每个样点对应的位数(位元深度)/8 单位：Byte/s；
一个样点的字节数：声道数*每个样点对应的位数(位元深度)/8；
子区块2大小(实际样本数据的大小)：秒数*声道数*每个样点对用的位数(位元深度)/8
文件所占容量：采样频率*采样位数*声道*时间/8
（4）wave文件格式解析：
wave格式，是微软开发的一种文件格式规范，整个文件分为两部分，第一部分是“文件头”，记录重要的参数信息，对于音频而言，
就包括：采样率、通道数、位宽等等；第二部分是“数据块”，即一帧一帧的二进制数据，对于音频而言，就是原始的 PCM 数据。
所以wavｅ格式 = Header(44 bytes) + data；每个wave文件的头四个字节便是”RIFF“。
关于文件头：一般分为三个部分
第一：RIFF 共三个属性，分别是“RIFF”、所有数据总长度、“WAVE”
第二：fmt 共两个属性，分别是“fmt"、子区块1大小，
注意：https://blog.csdn.net/Sssssusu/article/details/70184147中的例子里，fmt分别为66、6d、74、20，后面有个20不代表任何属性且值不定，是个过度字节；
第三：data 共八个属性，分别是编码格式(wFormatTag)、声道数(nChannels)、取样率(nSamplesPerSec)、传输速率(nAvgBytesPerSec)、一个样点的字节数(nBlockAlign)、
位元深度(wBitsPerSample)、”data"、子区块2大小(cbSize)
（5）各属性的解释：
声道数：有单身道和立体声之分，单声道的声音只能使用一个喇叭发声(有的也处理成两个喇叭输出同一个声道的声音)，立体声的pcm可以是两个喇叭都发声。
采样位数：即采样值或取样值(就是将采样样本幅度量化)，指的是描述数字信号所使用的位数。它是用来衡量声音波动变化的一个参数，也可以说是声卡的分辨率，他的数值越大，
分辨率也就越高，所发出声音的能力越强。计算机中通常有8、16位。
采样频率：即取样频率，指每秒钟取得声音样本的次数。采样频率越高，声音的质量也就越好，声音的还原也就越真实，但同时它占的资源比较多，
由于人耳的分辨率很有限，太高的频率并不能分辨出来，所以不是采样频率越高越好。
比特率：指经过编码后的音频数据每秒钟需要用多少个比特来表示
干货：https://www.cnblogs.com/ngcheck/articles/2891666.html
ASCⅡ码：
A - 65(十进制) - 0x41(十六进制)
Z - 90(十进制) - 0x5A(十六进制)
a - 97(十进制) - 0x61(十六进制)
z - 122(十进制) - 0x7A(十六进制)
这里附上一个关于wave文件头的参数解析：
