HTKからWAV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。

WAV(Waveform Audio File Format)は、MicrosoftとIBMが共同開発した非圧縮オーディオコンテナで、1991年8月にWindows 3.1とともに初めて公開されました。Resource Interchange File Format(RIFF)上に構築されたWAVは、オーディオデータ — 最も一般的にはリニアパルス符号変調(LPCM) — をサンプルレート、ビット深度、チャンネル数を記述するメタデータとともに格納します。この直感的な構造により、WAVはWindows上の非圧縮オーディオのデファクトスタンダードとなり、事実上すべてのオペレーティングシステム、オーディオエディタ、メディアプレーヤーで普遍的に受け入れられる交換形式となりました。CD品質のWAVファイルは44.1 kHzステレオの16ビットサンプルを使用し、プロフェッショナルワークフローでは最大192 kHzで24ビットまたは32ビット浮動小数点サンプルが日常的に使用されています。主な利点はゼロロスの忠実度です — 標準のWAVは圧縮を適用しないため、保存されたデータはオリジナルの録音の正確なデジタル表現であり、マスタリングやアーカイブに最適な選択肢です。WAVはまたINFOおよびBWFチャンクによる埋め込みメタデータをサポートし、タイムスタンプや制作ノートを可能にします。主なトレードオフはファイルサイズで、CD品質ステレオの1分間は約10 MBを占め、32ビットRIFF構造は4 GBの制限を課しますが、RF64によってその上限は解除されます。