เครื่องมือแปลงไฟล์ VOX เป็น AMR

VOX เป็นรูปแบบเสียงแบบไม่มีส่วนหัวที่สร้างขึ้นรอบการเข้ารหัส Dialogic ADPCM ถูกนำมาใช้อย่างแพร่หลายในระบบโทรศัพท์ ระบบตอบรับด้วยเสียงอัตโนมัติ (IVR) และแพลตฟอร์มวอยซ์เมลตั้งแต่ทศวรรษ 1980 ตัวอย่างเสียงแต่ละตัวถูกบีบอัดเป็น 4 บิตโดยใช้อัลกอริทึมที่พัฒนาโดย Oki Electric และนำไปใช้ในฮาร์ดแวร์บนการ์ดอินเทอร์เฟซโทรศัพท์ของ Dialogic Corporation ไฟล์ VOX โดยทั่วไปใช้อัตราสุ่มตัวอย่าง 6000 หรือ 8000 Hz สร้างการบันทึกที่กระทัดรัดมากซึ่งปรับแต่งสำหรับความชัดเจนของเสียงพูดมากกว่าความเที่ยงตรงทางดนตรี เนื่องจากรูปแบบไม่มีส่วนหัว ซอฟต์แวร์เล่นต้องทราบอัตราสุ่มตัวอย่างและพารามิเตอร์การเข้ารหัสล่วงหน้า — ข้อแลกเปลี่ยนที่ลดโอเวอร์เฮดแต่ต้องการการจัดการไฟล์อย่างระมัดระวัง ข้อดีหลักของ VOX คือประสิทธิภาพในการจัดเก็บ — การบันทึกเสียงหนึ่งนาทีที่ 8 kHz ใช้พื้นที่ประมาณ 240 KB ทำให้เหมาะสมสำหรับระบบที่จัดเก็บพรอมต์หลายพันรายการ Dialogic ADPCM สอดคล้องกับมาตรฐาน ITU-T G.726 รับประกันความเข้ากันได้ข้ามอุปกรณ์โทรศัพท์จากผู้ผลิตต่างๆ แม้ว่าศูนย์บริการลูกค้าสมัยใหม่จะย้ายไปสู่ระบบ IP พร้อมโคเดกอย่าง Opus) แต่ไลบรารี VOX จำนวนมากยังคงมีอยู่ในระบบ IVR เดิมและคลังเก็บถาวรเพื่อการปฏิบัติตามกฎระเบียบทั่วโลก

AMR (Adaptive Multi-Rate) เป็นรูปแบบเสียงบีบอัดที่ปรับให้เหมาะสำหรับเสียงพูด ได้รับมาตรฐานจาก สถาบันมาตรฐานโทรคมนาคมแห่งยุโรป และถูกนำมาใช้เป็นตัวแปลงสัญญาณบังคับสำหรับเครือข่ายมือถือ GSM และ 3G ตัวแปลงสัญญาณสลับบิตเรตแบบไดนามิกระหว่างแปดระดับ — ตั้งแต่ 4.75 ถึง 12.2 kbps — ตามสภาพเครือข่ายและระดับเสียงรบกวนพื้นหลัง เมื่อคุณภาพลิงก์ลดลง ตัวเข้ารหัสจะเปลี่ยนไปใช้อัตราที่ต่ำกว่า แลกความชัดเจนเล็กน้อยกับความเสถียรในการส่งข้อมูล กลไกการปรับตัวนี้กำหนดโดยข้อกำหนด 3GPP และเป็นหนึ่งในตัวแปลงสัญญาณเสียงที่ใช้งานแพร่หลายที่สุดในโลก ใช้ในการโทรมือถือหลายพันล้านครั้ง ข้อดีหลักคือประสิทธิภาพการบีบอัด: เสียง AMR หนึ่งนาทีที่ 12.2 kbps ใช้พื้นที่เพียงประมาณ 90 KB ใช้งานได้จริงสำหรับบันทึกเสียง วอยซ์เมล และ MMS บนเครือข่ายที่มีแบนด์วิดท์จำกัด อีกข้อดีคือมีการตรวจจับกิจกรรมเสียงและการสร้างเสียงรบกวนขณะเงียบในตัว ช่วยลดการส่งข้อมูลระหว่างช่วงเงียบ แม้ AMR จะไม่เหมาะกับเพลงเนื่องจากแบนด์วิดท์แคบ (300-3400 Hz) แต่เชี่ยวชาญในการส่งเสียงพูดที่ชัดเจนภายใต้สภาพเครือข่ายที่ท้าทาย