NISTからWAV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。

WAV(Waveform Audio File Format)は、MicrosoftとIBMが共同開発した非圧縮オーディオコンテナで、1991年8月にWindows 3.1とともに初めて公開されました。Resource Interchange File Format(RIFF)上に構築されたWAVは、オーディオデータ — 最も一般的にはリニアパルス符号変調(LPCM) — をサンプルレート、ビット深度、チャンネル数を記述するメタデータとともに格納します。この直感的な構造により、WAVはWindows上の非圧縮オーディオのデファクトスタンダードとなり、事実上すべてのオペレーティングシステム、オーディオエディタ、メディアプレーヤーで普遍的に受け入れられる交換形式となりました。CD品質のWAVファイルは44.1 kHzステレオの16ビットサンプルを使用し、プロフェッショナルワークフローでは最大192 kHzで24ビットまたは32ビット浮動小数点サンプルが日常的に使用されています。主な利点はゼロロスの忠実度です — 標準のWAVは圧縮を適用しないため、保存されたデータはオリジナルの録音の正確なデジタル表現であり、マスタリングやアーカイブに最適な選択肢です。WAVはまたINFOおよびBWFチャンクによる埋め込みメタデータをサポートし、タイムスタンプや制作ノートを可能にします。主なトレードオフはファイルサイズで、CD品質ステレオの1分間は約10 MBを占め、32ビットRIFF構造は4 GBの制限を課しますが、RF64によってその上限は解除されます。