NIST-zu-WAV-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.

WAV (Waveform Audio File Format) ist ein unkomprimierter Audio-Container, der gemeinsam von Microsoft und IBM entwickelt und im August 1991 zusammen mit Windows 3.1 veröffentlicht wurde. Basierend auf dem Resource Interchange File Format (RIFF) speichert WAV Audiodaten — am häufigsten als lineare Pulscodemodulation (LPCM) — zusammen mit Metadaten, die Abtastrate, Bittiefe und Kanalanzahl beschreiben. Diese unkomplizierte Struktur hat WAV zum De-facto-Standard für unkomprimiertes Audio unter Windows und zu einem universell akzeptierten Austauschformat gemacht, das von praktisch jedem Betriebssystem, Audio-Editor und Mediaplayer unterstützt wird. WAV-Dateien in CD-Qualität verwenden 16-Bit-Samples bei 44,1 kHz Stereo, während professionelle Workflows routinemässig 24-Bit- oder 32-Bit-Float-Samples bei Raten bis 192 kHz einsetzen. Ein wesentlicher Vorteil ist die verlustfreie Klangtreue: Da Standard-WAV keine Kompression anwendet, sind die gespeicherten Daten eine exakte digitale Abbildung der Originalaufnahme — die bevorzugte Wahl für Mastering und Archivierung. WAV unterstützt auch eingebettete Metadaten über INFO- und BWF-Chunks, die Zeitstempel und Produktionsnotizen ermöglichen. Der wichtigste Kompromiss ist die Dateigröße — eine Minute CD-Qualität in Stereo belegt etwa 10 MB — und die 32-Bit-RIFF-Struktur setzt ein 4-GB-Limit, das RF64 jedoch aufhebt.