SPHからWAV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。

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。