HTKからFLAC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。

FLAC(Free Lossless Audio Codec)は、非圧縮WAVファイルの約半分のサイズで数学的に完全なオーディオ再現を実現します。Xiph.Org Foundationによって管理され2001年にリリースされたFLACは、ロスレス音楽アーカイブのデファクトオープンスタンダードとなりました。エンコーダーは各オーディオブロックに線形予測を適用してモデル化し、その後、予測誤差の統計分布を利用したRiceパーティショニングで残差を符号化します — データを破棄することなく強力な圧縮を実現します。最大32ビットのビット深度と最大655 kHzのサンプルレートをサポートし、ハイレゾ録音の要件を超えています。ハードウェアサポートは広範で、スマートフォン、カーステレオ、Blu-rayプレーヤー、事実上すべてのデスクトップメディアアプリケーションがFLACをネイティブにデコードします。TidalやAmazon MusicなどのストリーミングサービスはロスレスティアにFLACを使用しており、コーデックに対する業界の信頼を裏付けています。FLACを魅力的にする3つの際立った利点があります。第一に、デコード時に元の信号を完全にビット単位で復元できます。第二に、Vorbisコメントとアルバムアートによる組み込みメタデータがサイドカーファイルなしでライブラリを整理します。第三に、オープンソースライセンスにより特許やロイヤリティが不要で、開発者やハードウェアベンダーの法的障壁を取り除きます。