HTKからVOC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。

VOC(Creative Voice)は、Creative Technologyが開発し、1989年にオリジナルのSound Blasterカードとともに導入されたデジタルオーディオコンテナです。DOS時代にCreativeのハードウェアがPCオーディオを支配していた時期のネイティブオーディオ形式として機能しました。VOCファイルはブロックベースです — 各ファイルは8ビット符号なしPCM、4ビットおよび2.6ビットCreative ADPCM、16ビット符号付きPCM、さらにA-lawおよびmu-lawエンコードされたオーディオを運ぶことができる型付きデータブロックで構成されます。このブロック構造はまた無音インターバル、リピートループ、マーカーポイントもサポートし、ゲーム開発者にサウンド再生のきめ細かな制御を提供しました。注目すべき利点はハードウェアレベルのデコーディングでした — Sound BlasterカードがDMA転送を介してVOCデータを直接再生でき、プロセッササイクルが貴重な時代にCPUを解放しました。この形式はid Software、Sierra、LucasArtsのDOSゲームで広く使用されました。WindowsとWAV形式の台頭とともに、VOCは徐々に主流から姿を消しましたが、レトロゲームの保存やビンテージPCオーディオアーカイブの作業に携わる方にとって依然として重要です。