HTKからCAFへのコンバーター

HTKは、ケンブリッジ大学工学部が開発した音声認識研究用ソフトウェアスイートHidden Markov Model Toolkitのネイティブ波形コンテナです。1993年に初めて配布され、HTKは世界中の計算言語学研究室でリファレンスプラットフォームとなり、そのファイル形式も同様に広まりました。各ファイルにはパラメータベクトルまたは生のサンプルが格納され、フレーム数、100 ns単位のフレーム周期、フレームあたりのバイト数、およびデータの種類を示すタイプコードを指定する12バイトのヘッダーが先行します — オプションは波形PCMからメル周波数ケプストラム係数やフィルタバンクエネルギーまで多岐にわたります。この汎用性により、単一のコンテナがパーサーを変更することなくソースオーディオと抽出された特徴量の両方を保持できます。意図的に最小限のヘッダーはアラインメントパディングやオプションチャンクを避け、C、Python、MATLABから数行のバイナリI/Oで簡単に読み取れます。HTKの持続的な関連性を支える3つの利点は、HTKトレーニングおよび認識パイプラインとの緊密な統合、パーサーの曖昧さを排除する決定論的なバイトレイアウト、そしてアカデミックコーパスでの広範な採用です。

CAF(Core Audio Format)は、Appleが開発した柔軟なオーディオコンテナで、2005年のMac OS X 10.4 Tigerとともに導入されました。旧来の形式の制限を克服するために構築され、CAFはWAVやAIFFを制約する4 GBのファイルサイズ上限を排除し、理論上は無制限の長さをサポートします。コンテナはAAC、ALAC、MP3、リニアPCM、IMA ADPCMなど、事実上あらゆるコーデックを統一されたラッパー内に収容します。チャンクベースのアーキテクチャにより、チャンネルレイアウト、マーカー領域、アノテーション、MIDIデータなどのリッチなメタデータとともにオーディオを格納します。決定的な利点は、極めて長い録音の処理です — 放送局やフィールドレコーディストは、サイズの制限なく数時間の連続オーディオをキャプチャできます。柔軟なコーデックサポートはもう一つの強みで、コンテンツが高解像度の24ビット/192 kHzロスレスオーディオであれ圧縮音声であれ、1つのコンテナで対応できます。AppleのCore AudioフレームワークはmacOSとiOSでネイティブサポートを提供し、Logic ProやFinal Cut Proなどのプロフェッショナルアプリケーションで低遅延再生を保証します。多様性とスケーラビリティの両方を必要とするAppleエコシステムのワークフローにとって、CAFは非常に優れた選択肢です。