NIST-zu-AMR-Konverter

NIST SPHERE (SPeech HEader REsources) ist ein spezialisiertes Audiodateiformat, das vom National Institute of Standards and Technology für die Sprachforschung entwickelt wurde, insbesondere für DARPA-geförderte Projekte. Das Format umhüllt rohe Audiosamples mit einem strukturierten ASCII-Header, der Metadaten wie Abtastrate, Kanalanzahl, Kodierungstyp, Sprecherdemografie und Transkriptionsannotationen enthält — ideal für die Verteilung von Sprachkorpora. NIST-Dateien speichern typischerweise unkomprimiertes PCM oder Mu-Law-Audio bei Telefonie-Abtastraten (8 kHz oder 16 kHz), obwohl der Container flexibel genug für verschiedene Kodierungen ist. Ein wesentlicher Vorteil ist der reichhaltige, selbstbeschreibende Header, der es Forschern ermöglicht, detaillierte Korpus-Metadaten direkt in die Datei einzubetten und so Begleitdateien überflüssig zu machen. SPHERE hat sich zudem als De-facto-Standard für bedeutende Sprachdatenbanken wie TIMIT, Switchboard und das Fisher-Korpus etabliert und genießt breite Anerkennung in akademischen und staatlichen Laboren. Die offene Spezifikation und die Verfügbarkeit von Kommandozeilentools (sphere, h_strip, w_decode) machen es unkompliziert, diese Dateien in Sprachverarbeitungspipelines programmatisch zu konvertieren, zu inspizieren und zu verarbeiten.

AMR (Adaptive Multi-Rate) ist ein komprimiertes Audioformat, das auf Sprache optimiert wurde. Es wurde vom European Telecommunications Standards Institute standardisiert und als Pflichtcodec für GSM- und 3G-Mobilfunknetze übernommen. Der Codec wechselt dynamisch zwischen acht Bitraten — von 4,75 bis 12,2 kbps — abhängig von Netzwerkbedingungen und Hintergrundgeräuschen. Bei sinkender Verbindungsqualität schaltet der Encoder auf eine niedrigere Rate um und tauscht geringfügige Klarheit gegen Uebertragungssicherheit. Dieser adaptive Mechanismus ist in den 3GPP-Spezifikationen definiert und stellt einen der weltweit am häufigsten eingesetzten Sprachcodecs dar, der in Milliarden von Mobilfunkgesprächen zum Einsatz kommt. Der Hauptvorteil ist die Kompressionseffizienz: Eine Minute AMR-Audio bei 12,2 kbps belegt nur etwa 90 KB — ideal für Sprachmemos, Mailbox und MMS in bandbreitenbeschränkten Netzen. Ein weiterer Vorteil ist die integrierte Sprachaktivitätserkennung und Komfortgeräuscherzeugung, die die Übertragung während Stille reduziert. Für Musik ist AMR aufgrund der geringen Bandbreite (300-3400 Hz) ungeeignet, doch für verständliche Sprachwiedergabe unter schwierigen Netzwerkbedingungen ist der Codec unerreicht.