HTKからWMA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。

WMA(Windows Media Audio)は、Microsoftが開発しWindows Mediaフレームワークの一部として1999年に初めてリリースされた独自オーディオコーデックファミリーです。MP3やAACに対抗するために作られたWMA Standardは、Microsoftが64 kbpsという低いビットレートでCD品質に近い音質を実現すると主張した知覚コーディングを使用します — MP3が同等の結果を得るために通常必要とするデータレートの約半分です。コーデックファミリーはサラウンドサウンドとハイレゾオーディオ用のWMA Professional、ビットパーフェクトなアーカイブ圧縮用のWMA Lossless、非常に低いビットレートでの音声コンテンツに最適化されたWMA Voiceへと拡大しました。Windows、Windows Media Player、Zuneエコシステムとの深い統合により、2000年代を通じてWMAに強力な配布上の優位性を与え、デジタル著作権管理(DRM)サポートはその時代のオンライン音楽ストアにとって魅力的でした。エンコーディングとデコーディングはWindowsでネイティブに処理され、Windowsマシンでの再生にサードパーティソフトウェアは不要です。クロスプラットフォームサポートはFFmpegやGStreamerなどのライブラリを通じて改善されましたが、Microsoft以外のデバイスではWMAはMP3やAACほど普遍的に互換性がありません。この形式はレガシーメディアライブラリにまだ見られますが、ストリーミングやポータブル使用には新しいコーデックが大部分で取って代わっています。