Конвертер HTK в AMR

HTK — собственный контейнер волновых форм для Hidden Markov Model Toolkit, программного пакета, разработанного на инженерном факультете Кембриджского университета для исследований в области распознавания речи. Впервые выпущенный в 1993 году, HTK быстро стал эталонной платформой в лабораториях компьютерной лингвистики по всему миру, и его файловый формат последовал тому же пути. Каждый файл хранит последовательность параметрических векторов или сырых сэмплов с 12-байтовым заголовком, определяющим число кадров, период кадра в единицах по 100 нс, количество байтов на кадр и код типа данных — от PCM-волновых форм до мел-частотных кепстральных коэффициентов и энергий фильтровых банков. Эта универсальность позволяет одному контейнеру нести как исходное аудио, так и извлечённые признаки без смены парсера. Намеренно минимальный заголовок без дополнительных отступов и опциональных чанков делает формат элементарным для чтения из C, Python или MATLAB несколькими строками бинарного ввода-вывода. Три преимущества обосновывают актуальность HTK: тесная интеграция с конвейером обучения и распознавания HTK, детерминированная байтовая разметка, исключающая неоднозначности парсера, и широкое распространение в академических корпусах.

AMR (Adaptive Multi-Rate) — сжатый аудиоформат, оптимизированный для речи, стандартизованный Европейским институтом телекоммуникационных стандартов и принятый как обязательный кодек для сетей GSM и 3G. Кодек динамически переключается между восемью скоростями передачи — от 4,75 до 12,2 кбит/с — в зависимости от состояния канала связи и уровня фонового шума. При ухудшении качества связи кодер переходит на более низкий битрейт, жертвуя незначительной чёткостью ради надёжности передачи. Этот адаптивный механизм определён спецификациями 3GPP и является одним из самых массово развёрнутых голосовых кодеков в мире, используемым в миллиардах мобильных вызовов. Главное преимущество — эффективность сжатия: одна минута AMR-аудио при 12,2 кбит/с занимает около 90 КБ, что удобно для голосовых заметок, голосовой почты и MMS при ограниченной полосе пропускания. Ещё одно достоинство — встроенное обнаружение голосовой активности и генерация комфортного шума, снижающие передачу во время тишины. Хотя AMR не подходит для музыки из-за узкой полосы частот (300-3400 Гц), он превосходно обеспечивает разборчивость речи в сложных сетевых условиях.