Конвертер HTK в WAV

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.

WAV (Waveform Audio File Format) — несжатый аудиоконтейнер, совместно разработанный Microsoft и IBM и впервые опубликованный в августе 1991 года вместе с Windows 3.1. Построенный на основе Resource Interchange File Format (RIFF), WAV хранит аудиоданные — чаще всего в виде линейной импульсно-кодовой модуляции (LPCM) — вместе с метаданными, описывающими частоту дискретизации, разрядность и количество каналов. Эта простая структура сделала WAV стандартом де-факто для несжатого аудио в Windows и универсально принятым форматом обмена практически в любой операционной системе, аудиоредакторе и медиаплеере. Файлы WAV CD-качества используют 16-битные сэмплы при частоте 44,1 кГц в стерео, а в профессиональных процессах нередко применяются 24-битные или 32-битные сэмплы с плавающей запятой при частотах до 192 кГц. Главное преимущество — абсолютная точность: поскольку стандартный WAV не применяет сжатия, сохранённые данные являются точной цифровой копией оригинальной записи, что делает формат предпочтительным для мастеринга и архивирования. WAV также поддерживает встроенные метаданные через чанки INFO и BWF, позволяя добавлять временные метки и производственные заметки. Основной компромисс — размер файлов: одна минута стерео CD-качества занимает около 10 МБ, а 32-битная структура RIFF ограничивает размер 4 ГБ, хотя RF64 снимает этот потолок.