Konwerter HTK na AMR

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.

AMR (Adaptive Multi-Rate) to skompresowany format audio zoptymalizowany pod katem mowy, standaryzowany przez Europejski Instytut Norm Telekomunikacyjnych i przyjety jako obowiazkowy kodek w sieciach GSM i 3G. Kodek dynamicznie przelacza sie miedzy osmioma szybkosciami transmisji — od 4,75 do 12,2 kbps — w zaleznosci od warunkow sieciowych i poziomu szumu tla. Gdy jakosc lacza spada, koder przechodzi na nizsza przepustowosc, wymieniaiac nieznaczna czytelnosc na niezawodnosc transmisji. Ten mechanizm adaptacyjny zdefiniowany jest w specyfikacjach 3GPP i reprezentuje jeden z najszerzej wdrozonych kodekow glosowych na swiecie, uzywany w miliardach polaczen telefonii komorkowej. Glowna zaleta jest efektywnosc kompresji: jedna minuta dzwieku AMR przy 12,2 kbps zajmuje ok. 90 KB, co jest praktyczne dla notatek glosowych, poczty glosowej i MMS w sieciach o ograniczonej przepustowosci. Kolejnym atutem jest wbudowana detekcja aktywnosci glosowej i generowanie szumu komfortu, co redukuje transmisje w czasie ciszy. Choc AMR nie nadaje sie do muzyki ze wzgledu na waskie pasmo (300-3400 Hz), doskonale sprawdza sie w dostarczaniu zrozumialej mowy w trudnych warunkach sieciowych.