HTKからOPUS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。

Opusは、2012年にIETFによってRFC 6716として標準化された、多用途でオープンなオーディオコーデックです。音声用のSILKと音楽用のCELTという2つのコーディングアプローチを1つのアルゴリズムに融合し、コンテンツタイプとビットレートに基づいてそれらの間をブレンドします。このハイブリッド設計により、Opusは幅広い用途でほぼすべての他のコーデックを凌駕します — 6 kbpsでの低遅延音声、128 kbpsでの高忠実度音楽、そしてその間のすべてに対応します。6から510 kbpsのビットレート、最大48 kHzのサンプルレート、2.5 msまでの小さなフレームサイズをサポートし、主流のオーディオコーデックの中で最も低いアルゴリズム遅延を実現しています。3つの利点がOpusを特に魅力的にしています。完全にロイヤリティフリーかつオープンソースで、プロプライエタリコーデックを妨げるライセンス障壁を排除しています。MP3の約半分のビットレートで透明な品質を達成し、同等のレートではAACを上回ります。そして、その低遅延によりWebRTCの必須コーデックとなり、すべての最新ブラウザにOpusデコーダーが搭載されています。WhatsApp、Discord、Zoom、YouTubeはすべてリアルタイムオーディオにOpusを使用しています。