Konwerter HTK na WAV

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.

WAV (Waveform Audio File Format) to nieskompresowany kontener audio wspolnie opracowany przez Microsoft i IBM, po raz pierwszy opublikowany w sierpniu 1991 roku wraz z Windowsem 3.1. Zbudowany na formacie Resource Interchange File Format (RIFF), WAV przechowuje dane audio — najczesciej jako liniowa modulacje impulsowo-kodowa (LPCM) — wraz z metadanymi opisujacymi czestotliwosc probkowania, glebie bitowa i liczbe kanalow. Ta prosta struktura uczynia WAV de facto standardem nieskompresowanego audio na Windowsie i uniwersalnie akceptowanym formatem wymiany w praktycznie kazdym systemie operacyjnym, edytorze audio i odtwarzaczu multimedialnym. Pliki WAV jakosci CD uzywaja 16-bitowych probek przy 44,1 kHz stereo, natomiast profesjonalne przeplywy pracy rutynowo stosuja 24-bitowe lub 32-bitowe probki zmiennoprzecinkowe przy czestotliwosciach do 192 kHz. Glowna zaleta jest bezstratna wiernosc: poniewaz standardowy WAV nie stosuje kompresji, przechowywane dane sa dokladna cyfrowa reprezentacja oryginalnego nagrania, co czyni go preferowanym wyborem do masteringu i archiwizacji. WAV obsluguje rowniez osadzone metadane przez bloki INFO i BWF, umozliwiajac znaczniki czasowe i notatki produkcyjne. Glownym kompromisem jest rozmiar pliku — minuta stereo jakosci CD zajmuje ok. 10 MB — a 32-bitowa struktura RIFF narzuca limit 4 GB, choc RF64 znosi to ograniczenie.