Конвертер HTK в SPX

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.

Speex — аудиокодек с открытым исходным кодом, специально разработанный для сжатия речи Жан-Марком Валеном под эгидой Xiph.Org Foundation. Впервые выпущенный в октябре 2002 года, он ориентирован на VoIP, конференц-связь и любые сценарии, где голос нужно эффективно передавать по сети. SPX-файлы оборачивают Speex-кодированное аудио в контейнер Ogg, сочетая оптимизацию кодека для речи с возможностями потоковой передачи Ogg. Поддерживаются три частоты дискретизации — узкополосная 8 кГц, широкополосная 16 кГц и сверхширокополосная 32 кГц — а также кодирование с переменным битрейтом, адаптирующимся в реальном времени к сложности речи. Выдающееся преимущество — свободная от патентов лицензия BSD, позволившая разработчикам свободно встраивать кодек как в коммерческие, так и в открытые продукты. Speex также включает акустическое эхоподавление, шумоподавление и автоматическую регулировку усиления — функции, которые конкурирующие кодеки обычно делегируют внешним библиотекам. Хотя создатели кодека официально рекомендуют Opus как преемника с 2012 года, Speex остаётся в работе в устаревших VoIP-системах, архивных записях и встроенных устройствах, где ценится его лёгкий декодер.