Linux音頻編程指南2007年05月22日 星期二 01:22 A.M.Linux音頻編程指南 
2004-10-28    肖文鵬    IBM DW 
打印自: 電子圖書籍下載：會員文檔首頁
地址: http://article.itebook.net/article.php/3850 
Linux音頻編程指南 
雖然目前Linux的優(yōu)勢主要體現在網絡服務方面，但事實上同樣也有著非常豐富的媒體功能，本文就是以多媒體應用中最基本的聲音為對象，介紹如何在Linux平臺下開發(fā)實際的音頻應用程序，同時還給出了一些常用的音頻編程框架。

一、數字音頻

音頻信號是一種連續(xù)變化的模擬信號，但計算機只能處理和記錄二進制的數字信號，由自然音源得到的音頻信號必須經過一定的變換，成為數字音頻信號之后，才能送到計算機中作進一步的處理。

數 字音頻系統(tǒng)通過將聲波的波型轉換成一系列二進制數據，來實現對原始聲音的重現，實現這一步驟的設備常被稱為模/數轉換器（A/D）。A/D轉換器以每秒鐘 上萬次的速率對聲波進行采樣，每個采樣點都記錄下了原始模擬聲波在某一時刻的狀態(tài)，通常稱之為樣本（sample），而每一秒鐘所采樣的數目則稱為采樣頻 率，通過將一串連續(xù)的樣本連接起來，就可以在計算機中描述一段聲音了。對于采樣過程中的每一個樣本來說，數字音頻系統(tǒng)會分配一定存儲位來記錄聲波的振幅， 一般稱之為采樣分辯率或者采樣精度，采樣精度越高，聲音還原時就會越細膩。

數字音頻涉及到的概念非常多，對于在Linux下進行音頻編程的 程序員來說，最重要的是理解聲音數字化的兩個關鍵步驟：采樣和量化。采樣就是每隔一定時間就讀一次聲音信號的幅度，而量化則是將采樣得到的聲音信號幅度轉 換為數字值，從本質上講，采樣是時間上的數字化，而量化則是幅度上的數字化。下面介紹幾個在進行音頻編程時經常需要用到的技術指標：

采樣頻率
采 樣頻率是指將模擬聲音波形進行數字化時，每秒鐘抽取聲波幅度樣本的次數。采樣頻率的選擇應該遵循奈奎斯特（Harry Nyquist）采樣理論：如果對某一模擬信號進行采樣，則采樣后可還原的最高信號頻率只有采樣頻率的一半，或者說只要采樣頻率高于輸入信號最高頻率的兩 倍，就能從采樣信號系列重構原始信號。正常人聽覺的頻率范圍大約在20Hz~20kHz之間，根據奈奎斯特采樣理論，為了保證聲音不失真，采樣頻率應該在 40kHz左右。常用的音頻采樣頻率有8kHz、11.025kHz、22.05kHz、16kHz、37.8kHz、44.1kHz、48kHz等，如 果采用更高的采樣頻率，還可以達到DVD的音質。 
量化位數
量化位數是對模擬音頻信號的幅度進行數字化，它決定了模擬信號數字化以后的動態(tài)范圍，常用的有8位、12位和16位。量化位越高，信號的動態(tài)范圍越大，數字化后的音頻信號就越可能接近原始信號，但所需要的存貯空間也越大。 
聲道數
聲道數是反映音頻數字化質量的另一個重要因素，它有單聲道和雙聲道之分。雙聲道又稱為立體聲，在硬件中有兩條線路，音質和音色都要優(yōu)于單聲道，但數字化后占據的存儲空間的大小要比單聲道多一倍。 
二、聲卡驅動

出于對安全性方面的考慮，Linux下的應用程序無法直接對聲卡這類硬件設備進行操作，而是必須通過內核提供的驅動程序才能完成。在Linux上進行音頻編程的本質就是要借助于驅動程序，來完成對聲卡的各種操作。

對 硬件的控制涉及到寄存器中各個比特位的操作，通常這是與設備直接相關并且對時序的要求非常嚴格，如果這些工作都交由應用程序員來負責，那么對聲卡的編程將 變得異常復雜而困難起來，驅動程序的作用正是要屏蔽硬件的這些底層細節(jié)，從而簡化應用程序的編寫。目前Linux下常用的聲卡驅動程序主要有兩種：OSS 和ALSA。

最早出現在Linux上的音頻編程接口是OSS（Open Sound System），它由一套完整的內核驅動程序模塊組成，可以為絕大多數聲卡提供統(tǒng)一的編程接口。OSS出現的歷史相對較長，這些內核模塊中的一部分 （OSS/Free）是與Linux內核源碼共同免費發(fā)布的，另外一些則以二進制的形式由4Front Technologies公司提供。由于得到了商業(yè)公司的鼎力支持，OSS已經成為在Linux下進行音頻編程的事實標準，支持OSS的應用程序能夠在絕 大多數聲卡上工作良好。

雖然OSS已經非常成熟，但它畢竟是一個沒有完全開放源代碼的商業(yè)產品，ALSA（Advanced Linux Sound Architecture）恰好彌補了這一空白，它是在Linux下進行音頻編程時另一個可供選擇的聲卡驅動程序。ALSA除了像OSS那樣提供了一組內 核驅動程序模塊之外，還專門為簡化應用程序的編寫提供了相應的函數庫，與OSS提供的基于ioctl的原始編程接口相比，ALSA函數庫使用起來要更加方 便一些。ALSA的主要特點有：

支持多種聲卡設備 
模塊化的內核驅動程序 
支持SMP和多線程 
提供應用開發(fā)函數庫 
兼容OSS應用程序 
ALSA 和OSS最大的不同之處在于ALSA是由志愿者維護的自由項目，而OSS則是由公司提供的商業(yè)產品，因此在對硬件的適應程度上OSS要優(yōu)于ALSA，它能 夠支持的聲卡種類更多。ALSA雖然不及OSS運用得廣泛，但卻具有更加友好的編程接口，并且完全兼容于OSS，對應用程序員來講無疑是一個更佳的選擇。

三、編程接口

如何對各種音頻設備進行操作是在Linux上進行音頻編程的關鍵，通過內核提供的一組系統(tǒng)調用，應用程序能夠訪問聲卡驅動程序提供的各種音頻設備接口，這是在Linux下進行音頻編程最簡單也是最直接的方法。

3.1 訪問音頻設備

無 論是OSS還是ALSA，都是以內核驅動程序的形式運行在Linux內核空間中的，應用程序要想訪問聲卡這一硬件設備，必須借助于Linux內核所提供的 系統(tǒng)調用（system call）。從程序員的角度來說，對聲卡的操作在很大程度上等同于對磁盤文件的操作：首先使用open系統(tǒng)調用建立起與硬件間的聯(lián)系，此時返回的文件描述 符將作為隨后操作的標識；接著使用read系統(tǒng)調用從設備接收數據，或者使用write系統(tǒng)調用向設備寫入數據，而其它所有不符合讀/寫這一基本模式的操 作都可以由ioctl系統(tǒng)調用來完成；最后，使用close系統(tǒng)調用告訴Linux內核不會再對該設備做進一步的處理。

open系統(tǒng)調用
系統(tǒng)調用open可以獲得對聲卡的訪問權，同時還能為隨后的系統(tǒng)調用做好準備，其函數原型如下所示： 
int open(const char *pathname, int flags, int mode);


參 數pathname是將要被打開的設備文件的名稱，對于聲卡來講一般是/dev/dsp。參數flags用來指明應該以什么方式打開設備文件，它可以是 O_RDONLY、O_WRONLY或者O_RDWR，分別表示以只讀、只寫或者讀寫的方式打開設備文件；參數mode通常是可選的，它只有在指定的設備 文件不存在時才會用到，指明新創(chuàng)建的文件應該具有怎樣的權限。
如果open系統(tǒng)調用能夠成功完成，它將返回一個正整數作為文件標識符，在隨后的系統(tǒng)調用中需要用到該標識符。如果open系統(tǒng)調用失敗，它將返回-1，同時還會設置全局變量errno，指明是什么原因導致了錯誤的發(fā)生。 
read系統(tǒng)調用
系統(tǒng)調用read用來從聲卡讀取數據，其函數原型如下所示： 
int read(int fd, char *buf, size_t count);


參 數fd是設備文件的標識符，它是通過之前的open系統(tǒng)調用獲得的；參數buf是指向緩沖區(qū)的字符指針，它用來保存從聲卡獲得的數據；參數count則用 來限定從聲卡獲得的最大字節(jié)數。如果read系統(tǒng)調用成功完成，它將返回從聲卡實際讀取的字節(jié)數，通常情況會比count的值要小一些；如果read系統(tǒng) 調用失敗，它將返回-1，同時還會設置全局變量errno，來指明是什么原因導致了錯誤的發(fā)生。 
write系統(tǒng)調用
系統(tǒng)調用write用來向聲卡寫入數據，其函數原型如下所示： 
size_t write(int fd, const char *buf, size_t count);


系 統(tǒng)調用write和系統(tǒng)調用read在很大程度是類似的，差別只在于write是向聲卡寫入數據，而read則是從聲卡讀入數據。參數fd同樣是設備文件 的標識符，它也是通過之前的open系統(tǒng)調用獲得的；參數buf是指向緩沖區(qū)的字符指針，它保存著即將向聲卡寫入的數據；參數count則用來限定向聲卡 寫入的最大字節(jié)數。
如果write系統(tǒng)調用成功完成，它將返回向聲卡實際寫入的字節(jié)數；如果read系統(tǒng)調用失敗，它將返回-1，同時還會設置全 局變量errno，來指明是什么原因導致了錯誤的發(fā)生。無論是read還是write，一旦調用之后Linux內核就會阻塞當前應用程序，直到數據成功地 從聲卡讀出或者寫入為止。 
ioctl系統(tǒng)調用
系統(tǒng)調用ioctl可以對聲卡進行控制，凡是對設備文件的操作不符合讀/寫基本模式的，都是通過ioctl來完成的，它可以影響設備的行為，或者返回設備的狀態(tài)，其函數原型如下所示：

int ioctl(int fd, int request, ...);


參 數fd是設備文件的標識符，它是在設備打開時獲得的；如果設備比較復雜，那么對它的控制請求相應地也會有很多種，參數request的目的就是用來區(qū)分不 同的控制請求；通常說來，在對設備進行控制時還需要有其它參數，這要根據不同的控制請求才能確定，并且可能是與硬件設備直接相關的。 
close系統(tǒng)調用
當應用程序使用完聲卡之后，需要用close系統(tǒng)調用將其關閉，以便及時釋放占用的硬件資源，其函數原型如下所示： 
int close(int fd);


參數fd是設備文件的標識符，它是在設備打開時獲得的。一旦應用程序調用了close系統(tǒng)調用，Linux內核就會釋放與之相關的各種資源，因此建議在不需要的時候盡量及時關閉已經打開的設備。 
3.2 音頻設備文件

對于Linux應用程序員來講，音頻編程接口實際上就是一組音頻設備文件，通過它們可以從聲卡讀取數據，或者向聲卡寫入數據，并且能夠對聲卡進行控制，設置采樣頻率和聲道數目等等。

/dev/sndstat
設 備文件/dev/sndstat是聲卡驅動程序提供的最簡單的接口，通常它是一個只讀文件，作用也僅僅只限于匯報聲卡的當前狀態(tài)。一般說來， /dev/sndstat是提供給最終用戶來檢測聲卡的，不宜用于程序當中，因為所有的信息都可以通過ioctl系統(tǒng)調用來獲得。 Linux提供的cat命令可以很方便地從/dev/sndstat獲得聲卡的當前狀態(tài)： [xiaowp@linuxgam sound]$ cat /dev/sndstat 
/dev/dsp

聲卡驅動程序提供的/dev/dsp是用于數字采樣（sampling）和數字錄音 （recording）的設備文件，它對于Linux下的音頻編程來講非常重要：向該設備寫數據即意味著激活聲卡上的D/A轉換器進行放音，而向該設備讀 數據則意味著激活聲卡上的A/D轉換器進行錄音。目前許多聲卡都提供有多個數字采樣設備，它們在Linux下可以通過/dev/dsp1等設備文件進行訪 問。

DSP是數字信號處理器（Digital Signal Processor）的簡稱，它是用來進行數字信號處理的特殊芯片，聲卡使用它來實現模擬信號和數字信號的轉換。聲卡中的DSP設備實際上包含兩個組成部 分：在以只讀方式打開時，能夠使用A/D轉換器進行聲音的輸入；而在以只寫方式打開時，則能夠使用D/A轉換器進行聲音的輸出。嚴格說來，Linux下的 應用程序要么以只讀方式打開/dev/dsp輸入聲音，要么以只寫方式打開/dev/dsp輸出聲音，但事實上某些聲卡驅動程序仍允許以讀寫的方式打開 /dev/dsp，以便同時進行聲音的輸入和輸出，這對于某些應用場合（如IP電話）來講是非常關鍵的。

在從DSP設備讀取數據時，從聲卡 輸入的模擬信號經過A/D轉換器變成數字采樣后的樣本（sample），保存在聲卡驅動程序的內核緩沖區(qū)中，當應用程序通過read系統(tǒng)調用從聲卡讀取數 據時，保存在內核緩沖區(qū)中的數字采樣結果將被復制到應用程序所指定的用戶緩沖區(qū)中。需要指出的是，聲卡采樣頻率是由內核中的驅動程序所決定的，而不取決于 應用程序從聲卡讀取數據的速度。如果應用程序讀取數據的速度過慢，以致低于聲卡的采樣頻率，那么多余的數據將會被丟棄；如果讀取數據的速度過快，以致高于 聲卡的采樣頻率，那么聲卡驅動程序將會阻塞那些請求數據的應用程序，直到新的數據到來為止。

在向DSP設備寫入數據時，數字信號會經過 D/A轉換器變成模擬信號，然后產生出聲音。應用程序寫入數據的速度同樣應該與聲卡的采樣頻率相匹配，否則過慢的話會產生聲音暫停或者停頓的現象，過快的 話又會被內核中的聲卡驅動程序阻塞，直到硬件有能力處理新的數據為止。與其它設備有所不同，聲卡通常不會支持非阻塞（non-blocking）的I/O 操作。

無論是從聲卡讀取數據，或是向聲卡寫入數據，事實上都具有特定的格式（format），默認為8位無符號數據、單聲道、8KHz采樣 率，如果默認值無法達到要求，可以通過ioctl系統(tǒng)調用來改變它們。通常說來，在應用程序中打開設備文件/dev/dsp之后，接下去就應該為其設置恰 當的格式，然后才能從聲卡讀取或者寫入數據。

/dev/audio
/dev/audio類似于/dev/dsp，它兼容于Sun工 作站上的音頻設備，使用的是mu-law編碼方式。如果聲卡驅動程序提供了對/dev/audio的支持，那么在Linux上就可以通過cat命令，來播 放在Sun工作站上用mu-law進行編碼的音頻文件： 
[xiaowp@linuxgam sound]$ cat audio.au > /dev/audio


由于設備文件/dev/audio主要出于對兼容性的考慮，所以在新開發(fā)的應用程序中最好不要嘗試用它，而應該以/dev/dsp進行替代。對于應用程序來說，同一時刻只能使用/dev/audio或者/dev/dsp其中之一，因為它們是相同硬件的不同軟件接口。 
/dev/mixer
在 聲卡的硬件電路中，混音器（mixer）是一個很重要的組成部分，它的作用是將多個信號組合或者疊加在一起，對于不同的聲卡來說，其混音器的作用可能各不 相同。運行在Linux內核中的聲卡驅動程序一般都會提供/dev/mixer這一設備文件，它是應用程序對混音器進行操作的軟件接口。混音器電路通常由 兩個部分組成：輸入混音器（input mixer）和輸出混音器（output mixer）。
輸入混音器負責從多個不同的信號源接收模擬信 號，這些信號源有時也被稱為混音通道或者混音設備。模擬信號通過增益控制器和由軟件控制的音量調節(jié)器后，在不同的混音通道中進行級別（level）調制， 然后被送到輸入混音器中進行聲音的合成。混音器上的電子開關可以控制哪些通道中有信號與混音器相連，有些聲卡只允許連接一個混音通道作為錄音的音源，而有 些聲卡則允許對混音通道做任意的連接。經過輸入混音器處理后的信號仍然為模擬信號，它們將被送到A/D轉換器進行數字化處理。
輸出混音器的工作原 理與輸入混音器類似，同樣也有多個信號源與混音器相連，并且事先都經過了增益調節(jié)。當輸出混音器對所有的模擬信號進行了混合之后，通常還會有一個總控增益 調節(jié)器來控制輸出聲音的大小，此外還有一些音調控制器來調節(jié)輸出聲音的音調。經過輸出混音器處理后的信號也是模擬信號，它們最終會被送給喇叭或者其它的模 擬輸出設備。對混音器的編程包括如何設置增益控制器的級別，以及怎樣在不同的音源間進行切換，這些操作通常來講是不連續(xù)的，而且不會像錄音或者放音那樣需 要占用大量的計算機資源。由于混音器的操作不符合典型的讀/寫操作模式，因此除了open和close兩個系統(tǒng)調用之外，大部分的操作都是通過ioctl 系統(tǒng)調用來完成的。與/dev/dsp不同，/dev/mixer允許多個應用程序同時訪問，并且混音器的設置值會一直保持到對應的設備文件被關閉為止。
為 了簡化應用程序的設計，Linux上的聲卡驅動程序大多都支持將混音器的ioctl操作直接應用到聲音設備上，也就是說如果已經打開了/dev/dsp， 那么就不用再打開/dev/mixer來對混音器進行操作，而是可以直接用打開/dev/dsp時得到的文件標識符來設置混音器。 
/dev/sequencer
目前大多數聲卡驅動程序還會提供/dev/sequencer這一設備文件，用來對聲卡內建的波表合成器進行操作，或者對MIDI總線上的樂器進行控制，一般只用于計算機音樂軟件中。 
四、應用框架

在Linux下進行音頻編程時，重點在于如何正確地操作聲卡驅動程序所提供的各種設備文件，由于涉及到的概念和因素比較多，所以遵循一個通用的框架無疑將有助于簡化應用程序的設計。

4.1 DSP編程

對 聲卡進行編程時首先要做的是打開與之對應的硬件設備，這是借助于open系統(tǒng)調用來完成的，并且一般情況下使用的是/dev/dsp文件。采用何種模式對 聲卡進行操作也必須在打開設備時指定，對于不支持全雙工的聲卡來說，應該使用只讀或者只寫的方式打開，只有那些支持全雙工的聲卡，才能以讀寫的方式打開， 并且還要依賴于驅動程序的具體實現。Linux允許應用程序多次打開或者關閉與聲卡對應的設備文件，從而能夠很方便地在放音狀態(tài)和錄音狀態(tài)之間進行切換， 建議在進行音頻編程時只要有可能就盡量使用只讀或者只寫的方式打開設備文件，因為這樣不僅能夠充分利用聲卡的硬件資源，而且還有利于驅動程序的優(yōu)化。下面的代碼示范了如何以只寫方式打開聲卡進行放音（playback）操作：


int handle = open("/dev/dsp", O_WRONLY);
if (handle == -1) {
perror("open /dev/dsp");
return -1;
}


運 行在Linux內核中的聲卡驅動程序專門維護了一個緩沖區(qū)，其大小會影響到放音和錄音時的效果，使用ioctl系統(tǒng)調用可以對它的尺寸進行恰當的設置。調 節(jié)驅動程序中緩沖區(qū)大小的操作不是必須的，如果沒有特殊的要求，一般采用默認的緩沖區(qū)大小也就可以了。但需要注意的是，緩沖區(qū)大小的設置通常應緊跟在設備 文件打開之后，這是因為對聲卡的其它操作有可能會導致驅動程序無法再修改其緩沖區(qū)的大小。下面的代碼示范了怎樣設置聲卡驅動程序中的內核緩沖區(qū)的大小：


int setting = 0xnnnnssss;
int result = ioctl(handle, SNDCTL_DSP_SETFRAGMENT, &setting);
if (result == -1) {
perror("ioctl buffer size");
return -1;
}
// 檢查設置值的正確性


在 設置緩沖區(qū)大小時，參數setting實際上由兩部分組成，其低16位標明緩沖區(qū)的尺寸，相應的計算公式為buffer_size = 2^ssss，即若參數setting低16位的值為16，那么相應的緩沖區(qū)的大小會被設置為65536字節(jié)。參數setting的高16位則用來標明分 片（fragment）的最大序號，它的取值范圍從2一直到0x7FFF，其中0x7FFF表示沒有任何限制。

接下來要做的是設置聲卡工作時的聲道（channel）數目，根據硬件設備和驅動程序的具體情況，可以將其設置為0（單聲道，mono）或者1（立體聲，stereo）。下面的代碼示范了應該怎樣設置聲道數目：


int channels = 0; // 0=mono 1=stereo
int result = ioctl(handle, SNDCTL_DSP_STEREO, &channels);
if ( result == -1 ) {
perror("ioctl channel number");
return -1;
}
if (channels != 0) {
// 只支持立體聲
}


采樣格式和采樣頻率是在進行音頻編程時需要考慮的另一個問題，聲卡支持的所有采樣格式可以在頭文件soundcard.h中找到，而通過ioctl系統(tǒng)調用則可以很方便地更改當前所使用的采樣格式。下面的代碼示范了如何設置聲卡的采樣格式：


int format = AFMT_U8;
int result = ioctl(handle, SNDCTL_DSP_SETFMT, &format);
if ( result == -1 ) {
perror("ioctl sample format");
return -1;
}
// 檢查設置值的正確性


聲 卡采樣頻率的設置也非常容易，只需在調用ioctl時將第二個參數的值設置為SNDCTL_DSP_SPEED，同時在第三個參數中指定采樣頻率的數值就 行了。對于大多數聲卡來說，其支持的采樣頻率范圍一般為5kHz到44.1kHz或者48kHz，但并不意味著該范圍內的所有頻率都會被硬件支持，在 Linux下進行音頻編程時最常用到的幾種采樣頻率是11025Hz、16000Hz、22050Hz、32000Hz和44100Hz。下面的代碼示范 了如何設置聲卡的采樣頻率：


int rate = 22050;
int result = ioctl(handle, SNDCTL_DSP_SPEED, &rate);
if ( result == -1 ) {
perror("ioctl sample format");
return -1;
}
// 檢查設置值的正確性


4.2 Mixer編程

聲卡上的混音器由多個混音通道組成，它們可以通過驅動程序提供的設備文件/dev/mixer進行編程。對混音器的操作是通過ioctl系統(tǒng)調用來完成的，并且所有控制命令都由SOUND_MIXER或者MIXER開頭，表1列出了常用的幾個混音器控制命令：

名 稱 作 用 
SOUND_MIXER_VOLUME 主音量調節(jié) 
SOUND_MIXER_BASS 低音控制 
SOUND_MIXER_TREBLE 高音控制 
SOUND_MIXER_SYNTH FM合成器 
SOUND_MIXER_PCM 主D/A轉換器