Konwerter HTK na AAC

HTK to natywny kontener fal dzwiekowych dla Hidden Markov Model Toolkit — pakietu oprogramowania opracowanego na Wydziale Inzynierii Uniwersytetu Cambridge do badan nad rozpoznawaniem mowy. Po raz pierwszy udostepniony w 1993 roku, HTK szybko stal sie platforma referencyjnaw laboratoriach lingwistyki obliczeniowej na calym swiecie, a jego format plikow poszedl w jego slady. Kazdy plik przechowuje sekwencje wektorow parametrow lub surowe probki, poprzedzone 12-bajtowym naglowkiem okreslajacym liczbe ramek, okres ramki w jednostkach 100 ns, liczbe bajtow na ramke oraz kod typu wskazujacy rodzaj danych — opcje obejmuja zarowno przebieg PCM, jak i wspolczynniki mel-czestotliwosciowe oraz energie pasma filtrowego. Ta wszechstronnosc pozwala pojedynczemu kontenerowi przenosic zarowno zrodlowe audio, jak i wyekstrahowane cechy bez zmiany parserow. Celowo minimalny naglowek unika wyrownan paddingu czy opcjonalnych blokow, co czyni format trywialnym do odczytu z C, Pythona czy MATLAB-a za pomoca kilku linii binarnego I/O. Trzy zalety stanowia o trwalym znaczeniu HTK: scisla integracja z potokiem trenowania i rozpoznawania HTK, deterministyczny uklad bajtow eliminujacy niejednoznacznosc parsera oraz szerokie przyjecie w korpusach akademickich.

AAC (Advanced Audio Coding) to nastepca formatu MP3, standaryzowany przez ISO/IEC jako czesc specyfikacji MPEG-2, a pozniej rowniez MPEG-4. Opracowany wspolnie przez Fraunhofer, Dolby, Sony, Nokie i AT&T, AAC zapewnia wyzsza jakosc dzwieku przy rownowaznyn lub nizszym bitrate — strumien AAC o przepustowosci 96 kbps zwykle dorownuje jakoscia plikowi MP3 przy 128 kbps. Kodek wykorzystuje zmodyfikowana dyskretna transformate kosinusowa w polaczeniu z zaawansowanym modelowaniem psychoakustycznym i ksztaltowaniem szumu czasowego. AAC sluzy jako domyslny format audio w ekosystemie Apple (iTunes, iPhone, iPad), na YouTube oraz w wielu serwisach streamingowych. Pierwsza zaleta jest doskonala efektywnosc kompresji — wysoka wiernosc dzwieku przy znacznie mniejszym zuzyciu pamieci i przepustowosci. Po drugie, format obsluguje czestotliwosci probkowania od 8 kHz do 96 kHz oraz do 48 kanalow, co pozwala na zastosowania od rozmow glosowych po dzwiek przestrzenny surround. Po trzecie, szerokie wdrozenie przez Apple i innych producentow gwarantuje, ze praktycznie kazde wspolczesne urzadzenie, przegladarka i odtwarzacz multimedialny obsluguje AAC natywnie, bez dodatkowych wtyczek.