NIST in MP2 Converter

NIST SPHERE (SPeech HEader REsources) ist ein spezialisiertes Audiodateiformat, das vom National Institute of Standards and Technology für die Sprachforschung entwickelt wurde, insbesondere für DARPA-geförderte Projekte. Das Format umhüllt rohe Audiosamples mit einem strukturierten ASCII-Header, der Metadaten wie Abtastrate, Kanalanzahl, Kodierungstyp, Sprecherdemografie und Transkriptionsannotationen enthält — ideal für die Verteilung von Sprachkorpora. NIST-Dateien speichern typischerweise unkomprimiertes PCM oder Mu-Law-Audio bei Telefonie-Abtastraten (8 kHz oder 16 kHz), obwohl der Container flexibel genug für verschiedene Kodierungen ist. Ein wesentlicher Vorteil ist der reichhaltige, selbstbeschreibende Header, der es Forschern ermöglicht, detaillierte Korpus-Metadaten direkt in die Datei einzubetten und so Begleitdateien überflüssig zu machen. SPHERE hat sich zudem als De-facto-Standard für bedeutende Sprachdatenbanken wie TIMIT, Switchboard und das Fisher-Korpus etabliert und genießt breite Anerkennung in akademischen und staatlichen Laboren. Die offene Spezifikation und die Verfügbarkeit von Kommandozeilentools (sphere, h_strip, w_decode) machen es unkompliziert, diese Dateien in Sprachverarbeitungspipelines programmatisch zu konvertieren, zu inspizieren und zu verarbeiten.

MP2 (MPEG-1 Audio Layer II), auch unter dem ursprünglichen Projektnamen MUSICAM bekannt, ist ein perzeptüller Audiocodec, der 1993 als Teil von ISO/IEC 11172-3 standardisiert wurde. Während sein Nachfolger MP3 die Aufmerksamkeit der Verbraucher auf sich zog, eroberte MP2 eine daürhafte Nische im professionellen Rundfunk, die es bis heute hält. Der Codec teilt Audio in 32 Subbänder mithilfe einer Polyphasen-Filterbank auf, wendet ein psychoakustisches Modell zur Bestimmung von Maskierungsschwellen an und quantisiert sowie Huffman-kodiert jedes Subband entsprechend. Typische Rundfunkeinsätze verwenden 192-384 kbps für Stereo und erzielen transparente Qualität bei geringerer Encoder-Komplexität und besserer Fehlerresistenz als Layer III. Diese Eigenschaften erklären, warum DVB-Fernsehen, DAB-Digitalradio und der HDV-Camcorder-Standard MP2 vorschreiben oder bevorzugen. Die Encoder-Latenz ist ebenfalls kürzer — ein wichtiges Merkmal für Live-Sendungen, bei denen Lippensynchronisation entscheidend ist. Drei Vorteile halten MP2 auch Jahrzehnte nach der Standardisierung relevant: graceful Degradation bei Uebertragungsfehlern, unverzichtbar für terrestrische Signale, minimale Kodierungsverzögerung für Echtzeit-Sendeketten und fest verankerte regulatorische Akzeptanz in europäischen und asiatischen Rundfunkrahmen.