HTKからWV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。

WavPackは、David Bryantが作成したオープンソースオーディオコーデックで、バージョン1.0は1998年8月15日にリリースされました。WavPackを際立たせるのはそのユニークなハイブリッドモードです — エンコーダーはコンパクトな非可逆ファイルと、組み合わせると元のPCMストリームをビット単位で完全に再構築する別の補正ファイルを同時に生成できます。ポータビリティが必要なユーザーは非可逆ファイルだけを持ち歩き、アーカイブ品質が必要な場合は両方を保持します。コーデックは8ビットから32ビット整数および32ビット浮動小数点のPCMオーディオを処理し、サンプルレートは最大768 kHzまで対応 — DSDコンテンツにも十分な仕様で、WavPack 5でDSDサポートが追加されました。純粋なロスレスモードでの圧縮率は通常元のサイズの40から55%に達し、FLACと競合し、特定の素材ではわずかに上回ることもあります。後のバージョンでのマルチコアエンコーディングにより、最新ハードウェアでの処理が大幅に高速化されました。オープンソースライブラリはBSDライセンスの下で提供され、foobar2000、VLC、FFmpegなど多数のツールに統合されています。WavPackはまたAPEv2タグ、埋め込みキューシート、ReplayGain値によるリッチなメタデータをサポートし、最も几帳面な音楽ライブラリの整理ニーズにも対応します。