Công cụ chuyển đổi NIST sang WAV

NIST SPHERE (SPeech HEader REsources) là định dạng tệp âm thanh chuyên dụng do Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ phát triển, phục vụ nghiên cứu giọng nói, đặc biệt các dự án được DARPA tài trợ. Định dạng này đóng gói các mẫu âm thanh thô kèm theo phần header ASCII có cấu trúc, chứa siêu dữ liệu như tần số lấy mẫu, số kênh, kiểu mã hóa, thông tin nhân khẩu học người nói và chú thích phiên âm — lý tưởng cho việc phân phối kho dữ liệu giọng nói. Các tệp NIST thường lưu trữ âm thanh PCM không nén hoặc mu-law ở tần số lấy mẫu chất lượng điện thoại (8 kHz hoặc 16 kHz), dù bộ chứa đủ linh hoạt để hỗ trợ nhiều kiểu mã hóa khác. Ưu điểm nổi bật là phần header tự mô tả phong phú, cho phép nhà nghiên cứu nhúng trực tiếp siêu dữ liệu chi tiết của kho ngữ liệu vào tệp mà không cần tệp đi kèm. SPHERE cũng trở thành tiêu chuẩn thực tế cho các cơ sở dữ liệu giọng nói lớn như TIMIT, Switchboard và Fisher corpus, được công nhận rộng rãi trong các phòng thí nghiệm học thuật và chính phủ. Đặc tả mở và sự sẵn có của các công cụ dòng lệnh (sphere, h_strip, w_decode) giúp việc chuyển đổi, kiểm tra và xử lý các tệp này trở nên đơn giản trong các quy trình xử lý giọng nói.

WAV (Waveform Audio File Format) là bộ chứa âm thanh không nén do Microsoft và IBM cùng phát triển, công bố lần đầu vào tháng 8 năm 1991 cùng với Windows 3.1. Được xây dựng trên Resource Interchange File Format (RIFF), WAV lưu trữ dữ liệu âm thanh — phổ biến nhất là điều chế mã xung tuyến tính (LPCM) — cùng siêu dữ liệu mô tả tần số lấy mẫu, độ sâu bit và số kênh. Cấu trúc đơn giản này đã biến WAV thành tiêu chuẩn thực tế cho âm thanh không nén trên Windows và định dạng trao đổi được chấp nhận phổ quát trên hầu như mọi hệ điều hành, trình chỉnh sửa âm thanh và trình phát media hiện có. Tệp WAV chất lượng CD sử dụng mẫu 16-bit ở 44,1 kHz stereo, trong khi quy trình chuyên nghiệp thường dùng mẫu 24-bit hoặc 32-bit float ở tần số lên đến 192 kHz. Ưu điểm lớn là chất lượng không tổn hao: vì WAV tiêu chuẩn không áp dụng nén, dữ liệu lưu trữ là bản sao kỹ thuật số chính xác của bản ghi gốc, khiến nó là lựa chọn ưu tiên cho mastering và lưu trữ. WAV cũng hỗ trợ siêu dữ liệu nhúng qua chunk INFO và BWF, cho phép đánh dấu thời gian và ghi chú sản xuất. Đánh đổi chính là kích thước tệp — một phút stereo chất lượng CD chiếm khoảng 10 MB — và cấu trúc RIFF 32-bit áp đặt giới hạn 4 GB, dù RF64 đã loại bỏ giới hạn đó.