HTK-zu-WAV-Konverter

HTK ist der native Wellenform-Container des Hidden Markov Model Toolkit, einer Software-Suite, die am Engineering Department der Universität Cambridge für die Spracherkennungsforschung entwickelt wurde. Erstmals 1993 veröffentlicht, wurde HTK rasch zu einer Referenzplattform in computerlinguistischen Laboren weltweit, und sein Dateiformat folgte diesem Trend. Jede Datei speichert eine Sequenz von Parametervektoren oder Rohsamples mit einem vorangestellten 12-Byte-Header, der die Anzahl der Frames, die Frame-Periode in 100-ns-Einheiten, die Bytezahl pro Frame und einen Typcode angibt — die Optionen reichen von Wellenform-PCM bis zu Mel-Frequenz-Cepstralköffizienten und Filterbankenenergien. Diese Vielseitigkeit ermöglicht es einem einzigen Container, sowohl Quellaudio als auch extrahierte Features zu tragen, ohne den Parser zu wechseln. Der bewusst minimale Header vermeidet Alignment-Padding oder optionale Chunks und macht das Format trivial lesbar in C, Python oder MATLAB mit wenigen Zeilen binärer E/A. Drei Vorteile unterstreichen die anhaltende Relevanz von HTK: enge Integration mit der HTK-Trainings- und Erkennungspipeline, deterministisches Byte-Layout ohne Parser-Mehrdeutigkeiten und weite Verbreitung in akademischen Korpora.

WAV (Waveform Audio File Format) ist ein unkomprimierter Audio-Container, der gemeinsam von Microsoft und IBM entwickelt und im August 1991 zusammen mit Windows 3.1 veröffentlicht wurde. Basierend auf dem Resource Interchange File Format (RIFF) speichert WAV Audiodaten — am häufigsten als lineare Pulscodemodulation (LPCM) — zusammen mit Metadaten, die Abtastrate, Bittiefe und Kanalanzahl beschreiben. Diese unkomplizierte Struktur hat WAV zum De-facto-Standard für unkomprimiertes Audio unter Windows und zu einem universell akzeptierten Austauschformat gemacht, das von praktisch jedem Betriebssystem, Audio-Editor und Mediaplayer unterstützt wird. WAV-Dateien in CD-Qualität verwenden 16-Bit-Samples bei 44,1 kHz Stereo, während professionelle Workflows routinemässig 24-Bit- oder 32-Bit-Float-Samples bei Raten bis 192 kHz einsetzen. Ein wesentlicher Vorteil ist die verlustfreie Klangtreue: Da Standard-WAV keine Kompression anwendet, sind die gespeicherten Daten eine exakte digitale Abbildung der Originalaufnahme — die bevorzugte Wahl für Mastering und Archivierung. WAV unterstützt auch eingebettete Metadaten über INFO- und BWF-Chunks, die Zeitstempel und Produktionsnotizen ermöglichen. Der wichtigste Kompromiss ist die Dateigröße — eine Minute CD-Qualität in Stereo belegt etwa 10 MB — und die 32-Bit-RIFF-Struktur setzt ein 4-GB-Limit, das RF64 jedoch aufhebt.