Конвертер HTK в OPUS

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.

Opus — универсальный открытый аудиокодек, стандартизованный IETF как RFC 6716 в 2012 году. Он объединяет два подхода к кодированию — SILK для речи и CELT для музыки — в один алгоритм, плавно переключающийся между ними в зависимости от типа контента и битрейта. Такая гибридная конструкция позволяет Opus превосходить практически любой другой кодек в широком диапазоне применений: голос с низкой задержкой при 6 кбит/с, высококачественная музыка при 128 кбит/с и всё, что между ними. Поддерживаются битрейты от 6 до 510 кбит/с, частота дискретизации до 48 кГц и размеры кадров от 2,5 мс — минимальная алгоритмическая задержка среди всех массовых аудиокодеков. Три преимущества делают Opus особенно убедительным. Он полностью свободен от роялти и открыт, устраняя лицензионные барьеры проприетарных кодеков. Он достигает прозрачного качества примерно при вдвое меньшем битрейте, чем MP3, и превосходит AAC при эквивалентных скоростях. А его низкая задержка делает его обязательным кодеком для WebRTC, поэтому каждый современный браузер поставляется с декодером Opus. WhatsApp, Discord, Zoom и YouTube используют Opus для аудио в реальном времени.