Конвертер NIST в WAV

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.

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.