เครื่องมือแปลงไฟล์ HTK เป็น WAV

HTK เป็นคอนเทนเนอร์รูปคลื่นดั้งเดิมของ Hidden Markov Model Toolkit ชุดซอฟต์แวร์ที่พัฒนาที่ภาควิชาวิศวกรรมของมหาวิทยาลัยเคมบริดจ์สำหรับการวิจัยด้านการรู้จำเสียงพูด เผยแพร่ครั้งแรกในปี 1993 HTK กลายเป็นแพลตฟอร์มอ้างอิงในห้องปฏิบัติการภาษาศาสตร์คอมพิวเตอร์ทั่วโลกอย่างรวดเร็ว และรูปแบบไฟล์ก็ได้รับความนิยมตามไปด้วย แต่ละไฟล์เก็บลำดับเวกเตอร์พารามิเตอร์หรือตัวอย่างดิบนำหน้าด้วยส่วนหัว 12 ไบต์ที่ระบุจำนวนเฟรม คาบเฟรมในหน่วย 100 ns จำนวนไบต์ต่อเฟรม และรหัสประเภทที่ระบุชนิดข้อมูล — ตัวเลือกมีตั้งแต่ waveform PCM ไปจนถึง Mel-frequency cepstral coefficients และพลังงาน filter-bank ความอเนกประสงค์นี้ช่วยให้คอนเทนเนอร์เดียวบรรจุทั้งเสียงต้นทางและคุณลักษณะที่สกัดออกมาโดยไม่ต้องเปลี่ยนตัวแยกวิเคราะห์ ส่วนหัวที่เรียบง่ายอย่างจงใจหลีกเลี่ยง alignment padding หรือ optional chunks ทำให้อ่านรูปแบบจาก C, Python หรือ MATLAB ได้ง่ายด้วยโค้ดไบนารี I/O เพียงไม่กี่บรรทัด ข้อดีสามประการที่สนับสนุนความเกี่ยวข้องอย่างต่อเนื่องของ HTK: การผสานรวมอย่างแน่นแฟ้นกับไปป์ไลน์ฝึกอบรมและรู้จำของ HTK เลย์เอาต์ไบต์ที่แน่นอนซึ่งขจัดความคลุมเครือของตัวแยกวิเคราะห์ และการนำไปใช้อย่างแพร่หลายในคอร์ปัสทางวิชาการ

WAV (Waveform Audio File Format) เป็นคอนเทนเนอร์เสียงแบบไม่บีบอัดที่ Microsoft และ IBM ร่วมกันพัฒนา เผยแพร่ครั้งแรกในเดือนสิงหาคม 1991 พร้อมกับ Windows 3.1 สร้างขึ้นบน Resource Interchange File Format (RIFF) WAV จัดเก็บข้อมูลเสียง — โดยทั่วไปเป็น linear pulse-code modulation (LPCM) — พร้อมเมทาดาทาที่อธิบายอัตราสุ่มตัวอย่าง ความลึกบิต และจำนวนช่องสัญญาณ โครงสร้างที่ตรงไปตรงมานี้ทำให้ WAV เป็นมาตรฐานสำหรับเสียงไม่บีบอัดบน Windows และเป็นรูปแบบแลกเปลี่ยนที่ยอมรับในระดับสากลในระบบปฏิบัติการ โปรแกรมแก้ไขเสียง และเครื่องเล่นสื่อแทบทุกตัว ไฟล์ WAV คุณภาพ CD ใช้ตัวอย่าง 16 บิตที่ 44.1 kHz สเตอริโอ ขณะที่เวิร์กโฟลว์ระดับมืออาชีพมักใช้ตัวอย่าง 24 บิตหรือ 32 บิต float ที่อัตราสูงสุด 192 kHz ข้อดีสำคัญคือความเที่ยงตรงแบบไม่สูญเสีย — เนื่องจาก WAV มาตรฐานไม่ใช้การบีบอัด ข้อมูลที่จัดเก็บจึงเป็นตัวแทนดิจิทัลที่ตรงกับการบันทึกต้นฉบับทุกประการ ทำให้เป็นตัวเลือกที่นิยมสำหรับการมาสเตอร์และการเก็บถาวร WAV ยังรองรับเมทาดาทาแบบฝังผ่าน INFO และ BWF chunks ช่วยให้สามารถบันทึกเวลาและบันทึกการผลิต ข้อแลกเปลี่ยนหลักคือขนาดไฟล์ — เสียงสเตอริโอคุณภาพ CD หนึ่งนาทีใช้พื้นที่ประมาณ 10 MB — และโครงสร้าง RIFF 32 บิตกำหนดขีดจำกัด 4 GB แม้ว่า RF64 จะขจัดข้อจำกัดนั้น