SILK编码语音转WAV格式

“  SILK音频编码格式介绍、WAV文件封装格式介绍以及SILK音频编码到WAV的转换。”

在语音相关的协议还原中，经常会遇到语音编码的问题，通常语音编码的数据无法直接展示，需要转换成WAV，MP3等格式，才能播放。这个转换过程，是首先将音频编码数据使用对应解码库解码为PCM流，然后再将PCM流根据封装格式的要求，进行编码封装，最后得到可供通用播放器支持的编码和格式。

音频编码有很多，各有特色，本文首选介绍目前最流行的SILK编码。

SILK编码最早在Skype中使用，它在编码效率和质量之间取得了很好的平衡，因此被广泛应用在互联网的音频相关产品中，目前广泛使用的是SILK V3。

腾讯系产品，包括QQ、微信、小程序，在语音相关的实现中，也大量使用到SILK编码，并且，部分功能是直接让未加密的语音流在网络中传输，这是协议还原很感兴趣的部分。毕竟，腾讯的产品防守相当严密，不宜突破。

WAV作为古老的音频文件格式，虽然有很多缺点，但使用仍然相当广泛，本文将对其关键点进行介绍，SILK编码音频文件解码并封装为WAV格式的方法。

01

—

SILK编码

SILK采样率可为8、12、16或24 kHz，比特率可为6至40 kbit/s。对应到报文层面的直观印象，即SILK编码的语音数据每帧长度是不等的。

SILK编码已经开源，目前可下载到的版本为V1.0.9，它是Opus编码的基础。因此可以在Opus编码的源文件中找到SILK编码的实现代码，下载地址如下：

http://www.opus-codec.org/release/stable/2017/06/26/libopus-1_2_1.html

当然，其它地方也能很容易找到SILK编码的实现，比如GitHub上：

当前经常遇到的SILK V3的编码就是SILK编码，在SILK的V1.0.9版SDK中的编码就是SILK V3编码，另外SILK库版本差异对语音解码基本可以忽略。如果各位朋友需要下载SILK编码库，可关注本公众号后发送关键词“silk”获取。

SILK编码库的功能是提供接口将SILK格式音频数据解码为PCM流以及将PCM流编码为SILk格式。在库内提供了编解码的例子，很容易懂。

02

—

WAV封装格式

语音编码后，如果一个软件不支持该编码，则语音是无法解码的，因此，语音数据的播放，首先需要的是将编码数据解码。如上一部分中的SILK编码库，就是用来将语音的原始PCM数据编码为SILK编码数据，以及将SILK编码数据解码为PCM数据流的。

各类通用的音视频播放器，对一个编码的支持，首先是根据文件名称后缀或者文件的内容进行封装格式识别，再根据封装格式中对编码的描述来进行编码的识别，如果编码被识别，并且集成了该编码库，则该编码的语音数据就可以被播放，也就是被支持了。

在当前技术发展阶段，对音频播放器而言，WAV格式和MP3格式是最基本的封装格式，基本上都会被支持，WAV格式支持原始的音频流即PCM流，这是最简单的格式，只需要将所有语音编码数据解码保存，然后在文件头部加上WAV格式结构体，即可进行封装。

当然，WAV格式缺点明显，其数据相当于未压缩，体积很大。

WAV格式头共44字节，定义及描述如下：

struct WAVHeader {     char Riff[4];     uint32 ChunkSize;     char Format[4];     char SubChunkID[4];     uint32 SubChunkSize;     uint16 AudioFormat;     uint16 NumChannels;     uint32 SampleRate;     uint32 ByteRate;     uint16 BlockAlign;     uint16 BitsPerSample;     char Data[4];     uint32 DataLen; };

Riff：4字节，固定值“RIFF”。ChunkSize：4字节，整个文件不包含Riff及ChunkSize的8字节。Format：4字节，固定值“WAVE”。SubChunkID：4字节，固定值“fmt ”，注意最后1字节为空格0x20。SubChunkSize：4字节，对应WAV，值为0x10。AudioFormat：2字节，格式类型，线性PCM则值为1，其它值则为压缩的编码格式，如0x06为PCMA，0x07为PCMU。NumChannels：2字节，声道数，1或者2。SampleRate：4字节，采样频率，如11025，44100等。ByteRate：4字节，码率=采样频率*PCM采样位深/8*声道数。BlockAlign：2字节，采样一次占内存的长度=声道数*PCM采样位深/8。BitsPerSample：2字节，PCM采样位深，如8、16。Data：4字节，固定值“data”。DataLen：4字节，PCM数据总长度。

一个典型的WAV头部数据如下：

03

—

SILK V3转换到WAV

SILK编码到WAV的转换，当然要用到SILK编码库，供下载的SILK编码库内，提供了4个不同的平台版本，功能基本相同。

在SILK编码库的SDK内，test目录下，有一个Decoder.c文件，是解码的示例文件，编译后它能够直接解码如下格式的SILK音频文件：

如上图所示，SILK文件格式以"#!SILK_V3"开始，之后就是一帧帧的语音内容块，每帧的帧长占两字节，然后为帧内容，这是因为SILk编码是变长编码，每帧的长度是不同的。

在各个test_vectorsitstream目录下的.bit文件，即为SILK格式文件，可以被解码程序Decoder.c支持。

解码程序将SILK文件解码为PCM流文件，但缺少WAV头，无法直接用播放器播放。

如果需要使解码后的PCM流能够播放，则需要PCM流前面添加WAV头。对微信语音短消息，WAV头赋值如下（pcmsize为PCM流的字节数）：

whead.DataLen = pcmsize;

memcpy(whead.Riff,"RIFF",4);

memcpy(whead.Format,"WAVE",4);

memcpy(whead.SubChunkID,"fmt ",4);

memcpy(whead.Data,"data",4);

whead.ChunkSize =whead.DataLen+44-8;

whead.SubChunkSize = 0x10;

whead.AudioFormat = 1;

whead.NumChannels = 1;

whead.SampleRate = DecControl.API_sampleRate;

whead.BitsPerSample = 16;

whead.BlockAlign = whead.NumChannels*whead.BitsPerSample/8;

whead.ByteRate = whead.SampleRate*whead.BlockAlign;

其中NumChannels、SampleRate和BitsPerSample等参数需要根据具体情况进行填充，否则，声音会很怪异。

对SILK编码转换为WAV语音文件，如果有疑惑，可以咨询我。

长按进行关注。