Конвертер HTK в AAC

HTK — собственный контейнер волновых форм для Hidden Markov Model Toolkit, программного пакета, разработанного на инженерном факультете Кембриджского университета для исследований в области распознавания речи. Впервые выпущенный в 1993 году, HTK быстро стал эталонной платформой в лабораториях компьютерной лингвистики по всему миру, и его файловый формат последовал тому же пути. Каждый файл хранит последовательность параметрических векторов или сырых сэмплов с 12-байтовым заголовком, определяющим число кадров, период кадра в единицах по 100 нс, количество байтов на кадр и код типа данных — от PCM-волновых форм до мел-частотных кепстральных коэффициентов и энергий фильтровых банков. Эта универсальность позволяет одному контейнеру нести как исходное аудио, так и извлечённые признаки без смены парсера. Намеренно минимальный заголовок без дополнительных отступов и опциональных чанков делает формат элементарным для чтения из C, Python или MATLAB несколькими строками бинарного ввода-вывода. Три преимущества обосновывают актуальность HTK: тесная интеграция с конвейером обучения и распознавания HTK, детерминированная байтовая разметка, исключающая неоднозначности парсера, и широкое распространение в академических корпусах.

AAC (Advanced Audio Coding) — преемник MP3, стандартизованный ISO/IEC в рамках спецификаций MPEG-2 и позднее MPEG-4. Разработанный совместными усилиями Fraunhofer, Dolby, Sony, Nokia и AT&T, AAC обеспечивает более высокое качество звука при эквивалентном или более низком битрейте — поток AAC 96 кбит/с по воспринимаемому качеству обычно соответствует файлу MP3 на 128 кбит/с. Кодек использует модифицированное дискретное косинусное преобразование в сочетании с продвинутым психоакустическим моделированием и временным формированием шума. AAC является форматом по умолчанию в экосистеме Apple (iTunes, iPhone, iPad), YouTube и многих стриминговых сервисах. Первое преимущество — отличная эффективность сжатия: высококачественный звук при значительно меньшем объёме хранения и потреблении полосы пропускания. Второе — поддержка частот дискретизации от 8 кГц до 96 кГц и до 48 каналов, что подходит для любых задач, от голосовых вызовов до объёмного звучания. Третье — широкое внедрение компанией Apple и другими производителями гарантирует, что практически любое современное устройство, браузер и медиаплеер воспроизводит AAC без дополнительных плагинов.