我想做一个音乐识别系统。我担心我可能不会像我应该的那样阅读wav样本，而且，我可能会应用错误的窗口大小来制作fft和其他。
如果你能帮我的话，那就太好了。首先，我有一些关于Wavs音频处理的问题。
1) Wav有标题，对吗?那么下面的代码能正确读取wav文件吗?
private static byte[] getAudioBytes(String path_to_audio) throws IOException, UnsupportedAudioFileException{
File audio_file = new File(path_to_audio);
//
AudioInputStream audio_input_stream = AudioSystem
.getAudioInputStream(audio_file);
byte audio[] = new byte[(int) audio_file.length()];
audio_input_stream.read(audio);
return audio;
}
1.1)如果有一个标题，我怎么读它，它们的字段是什么?(我对我在网上看到的不同标题感到困惑)
2)另一个问题，我猜，wav文件的记录有一个默认的帧大小。我说的对吗?
2.1)我必须将每帧发送到FFT。如果我使用不同的帧大小发送样本到FFT，这将检索错误的结果，对吗?
2.2)如果不同的帧大小检索错误的结果，我如何使用更大的帧，以获得更好的频率精度?(例如，假设原始文件有1024个样本帧，而我想使用4096个样本帧大小)
3)在我的示例wav文件和原始文件中使用相同的位深度会很好，对吧?
4)如果它是16位深度，我必须在java中使用short，对吗?
在我的代码中，我读取帧中有4096个样本，而不考虑记录帧的大小。我看到了一些歌曲识别的例子，但他们没有解释太多细节，只是说他们使用4096作为帧大小。我试着搜索这类信息，发现一点信息，所以我在这里寻求帮助。
提前感谢
Wav有一个标题。对吧?
是的。关于原始位级wav文件结构的一个很好的参考可以在WAVE格式规范中找到。
那么下面的代码能正确读取wav文件吗?
它将正确读取支持的wav文件的wav头(准备处理UnsupportedAudioFileException为不太常见的扩展)，并提取原始编码形式的音频数据(即你仍然要解码原始数据自己获得有意义的样本)。但是请注意，由于audio_file.length()包含头大小，因此此代码分配的缓冲区大于所需的缓冲区大小，而数据缓冲区读取没有(即数据缓冲区仅填充编码样本)。
如果有标题，我如何读取它，它们的字段是什么?(我对我在网上看到的不同标题感到困惑)
在WAVE格式规范中指示的报头字段已经被AudioInputStream读取，然后分配AudioFormat的相关字段(例如encoding, channels等)。请注意，这不是一个精确的一对一映射，因为AudioFormat是与其他音频文件类型共享的通用表示，但它通常是您真正需要关心的。这个AudioFormat可以通过audio_input_stream.getFormat()访问。如果你想专门查看文件头的位结构(或者只是想折磨自己)，你也可以直接使用FileInputStream。
录制的wav文件有一个默认的帧大小。我说的对吗?
不完全是。AudioInputStream在wav文件的情况下使用的"帧"对应于单个时间瞬间，其中包括与通道数量一样多的样本(例如，一个帧将是单声道文件的单个样本和立体声文件的2个样本)。这样一个帧的大小总是隐含在wav报头的各个字段中(如通道数，每个采样的字节数等)，并适用于整个流。此外，数据被打包为通道交错样本的连续块，因此没有额外的分离成更大的样本块。
我必须将每一帧发送到FFT。如果我使用不同的帧大小发送样本到FFT，这将检索错误的结果，对吗?
如果你发送一个多通道(例如立体声)wav文件的所有通道到一个单一的FFT，那么你很可能得到的结果不符合你的期望。然而，一旦你分离了通道，你就可以自由地执行FFT与你自己选择的任何长度(仍然得到合理的结果)。
如果不同的帧大小检索错误的结果，我如何使用更大的帧，以获得更好的频率精度?(例如，假设原始文件有1024个样本帧，而我想使用4096个样本帧大小)
由于一旦您对通道进行去交错处理，每个通道实际上只有一个数据块，因此您不能直接使用与可用数据大小相同大小的FFT大小的唯一情况是，如果原始文件的样本少于您希望使用的FFT长度。但是，您仍然可以通过零填充文件样本来执行更大的FFT。
在我的示例wav文件和原始文件中使用相同的位深度会很好，对吧?
这取决于你的具体应用要求。输入文件位深度通常是给定的，您对此几乎无能为力。您通常会控制输出文件位深度。请记住，截断样本以使用较小的位深度是一种有损操作。因此，在整个处理过程中保留尽可能多的位，在最后进行截断通常是一个好主意。例如，如果输出是较长处理链中的中间结果，则可以选择使用比输入更大的位深度来输出。
如果它是16位深度，我必须在java中使用
short。对吧?
正确的。