SPHからCAFへのコンバーター

SPHは、1990年頃に米国国立標準技術研究所が作成したNIST SPHERE(SPeech HEader REsources)形式で保存されたオーディオのファイル拡張子です。音声研究用に構築されたSPHファイルは、データベース識別子、チャンネル数、サンプルレート、バイトオーダー、圧縮タイプなどのメタデータが詰め込まれた1024バイトのASCIIヘッダーを持ち、すべての録音が自己記述的です。基盤となるオーディオは通常16 kHzで16ビットリニアPCMサンプリングですが、他の構成も許可されています。NIST、DARPA、および世界中の大学の研究者は、現代の自動音声認識システムの基盤となるTIMIT、Switchboard、LDCコレクションなどの音声コーパスの配布にSPHを使用しています。主な利点は、人間が読めるヘッダーにより、スクリプトがバイナリデコーディングなしに録音メタデータを解析できることです。形式の厳格な標準化により、機関やプラットフォーム間でデータセットを共有する際の曖昧さも排除されます。SPHファイルは非圧縮PCMを格納するため、完全なオーディオ忠実度が維持されます — 小さなアーティファクトでさえ結果を歪める可能性がある音響モデルのトレーニングにおいて重要です。

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。