NISTからCAFへのコンバーター

NIST SPHERE(SPeech HEader REsources)は、アメリカ国立標準技術研究所がDARPA資金の音声研究プロジェクト向けに作成した特殊なオーディオファイル形式です。この形式は、サンプルレート、チャンネル数、エンコーディングタイプ、話者の属性、書き起こしアノテーションなどのメタデータをエンコードする構造化されたASCIIヘッダーで生のオーディオサンプルをラップし、音声コーパスの配布に最適です。NISTファイルは通常、電話品質のサンプルレート(8 kHzまたは16 kHz)で非圧縮PCMまたはmu-lawオーディオを格納しますが、コンテナはさまざまなエンコーディングを保持できる柔軟性があります。重要な利点は、研究者が詳細なコーパスメタデータをファイルに直接埋め込める豊富な自己文書化ヘッダーで、サイドカーファイルが不要になります。SPHEREはまた、TIMIT、Switchboard、Fisherコーパスなどの主要な音声データベースのデファクトスタンダードとなり、学術および政府の研究室全体で広く認知されています。オープンな仕様とコマンドラインツール(sphere、h_strip、w_decode)の利用可能性により、音声処理パイプラインでのファイルの変換、検査、処理が容易です。

CAF(Core Audio Format)は、Appleが開発した柔軟なオーディオコンテナで、2005年のMac OS X 10.4 Tigerとともに導入されました。旧来の形式の制限を克服するために構築され、CAFはWAVやAIFFを制約する4 GBのファイルサイズ上限を排除し、理論上は無制限の長さをサポートします。コンテナはAAC、ALAC、MP3、リニアPCM、IMA ADPCMなど、事実上あらゆるコーデックを統一されたラッパー内に収容します。チャンクベースのアーキテクチャにより、チャンネルレイアウト、マーカー領域、アノテーション、MIDIデータなどのリッチなメタデータとともにオーディオを格納します。決定的な利点は、極めて長い録音の処理です — 放送局やフィールドレコーディストは、サイズの制限なく数時間の連続オーディオをキャプチャできます。柔軟なコーデックサポートはもう一つの強みで、コンテンツが高解像度の24ビット/192 kHzロスレスオーディオであれ圧縮音声であれ、1つのコンテナで対応できます。AppleのCore AudioフレームワークはmacOSとiOSでネイティブサポートを提供し、Logic ProやFinal Cut Proなどのプロフェッショナルアプリケーションで低遅延再生を保証します。多様性とスケーラビリティの両方を必要とするAppleエコシステムのワークフローにとって、CAFは非常に優れた選択肢です。