Конвертер NIST в AMR

NIST SPHERE (SPeech HEader REsources) — специализированный аудиоформат, созданный Национальным институтом стандартов и технологий для исследований речи, в особенности проектов, финансируемых DARPA. Формат оборачивает сырые аудиосэмплы структурированным ASCII-заголовком, содержащим метаданные: частоту дискретизации, количество каналов, тип кодирования, демографические данные дикторов и аннотации транскрипций — что делает его идеальным для распространения речевых корпусов. Файлы NIST обычно хранят несжатое PCM или mu-law аудио при телефонных частотах дискретизации (8 кГц или 16 кГц), хотя контейнер достаточно гибок для различных кодировок. Ключевое преимущество — богатый самодокументирующийся заголовок, позволяющий исследователям встраивать подробные метаданные корпуса прямо в файл, исключая сопутствующие файлы. SPHERE также стал де-факто стандартом для крупных баз речевых данных — TIMIT, Switchboard и корпуса Fisher, — обеспечивая широкое признание в академических и государственных лабораториях. Открытая спецификация и доступность утилит командной строки (sphere, h_strip, w_decode) делают конвертацию, инспекцию и обработку этих файлов в конвейерах речевой обработки простой задачей.

AMR (Adaptive Multi-Rate) — сжатый аудиоформат, оптимизированный для речи, стандартизованный Европейским институтом телекоммуникационных стандартов и принятый как обязательный кодек для сетей GSM и 3G. Кодек динамически переключается между восемью скоростями передачи — от 4,75 до 12,2 кбит/с — в зависимости от состояния канала связи и уровня фонового шума. При ухудшении качества связи кодер переходит на более низкий битрейт, жертвуя незначительной чёткостью ради надёжности передачи. Этот адаптивный механизм определён спецификациями 3GPP и является одним из самых массово развёрнутых голосовых кодеков в мире, используемым в миллиардах мобильных вызовов. Главное преимущество — эффективность сжатия: одна минута AMR-аудио при 12,2 кбит/с занимает около 90 КБ, что удобно для голосовых заметок, голосовой почты и MMS при ограниченной полосе пропускания. Ещё одно достоинство — встроенное обнаружение голосовой активности и генерация комфортного шума, снижающие передачу во время тишины. Хотя AMR не подходит для музыки из-за узкой полосы частот (300-3400 Гц), он превосходно обеспечивает разборчивость речи в сложных сетевых условиях.