Konwerter NIST na OPUS

NIST SPHERE (SPeech HEader REsources) to specjalistyczny format plikow audio stworzony przez National Institute of Standards and Technology na potrzeby badan nad mowa, w szczegolnosci projektow finansowanych przez DARPA. Format opakowuje surowe probki audio w strukturalny naglowek ASCII kodujacy metadane, takie jak czestotliwosc probkowania, liczba kanalow, typ kodowania, dane demograficzne mowcy i adnotacje transkrypcyjne — co czyni go idealnym do dystrybucji korpusow mowy. Pliki NIST zwykle przechowuja nieskompresowane PCM lub audio mu-law przy czestotliwosciach probkowania klasy telefonicznej (8 kHz lub 16 kHz), choc kontener jest na tyle elastyczny, by pomiescic rozne kodowania. Kluczowa zaleta jest bogaty, samoopisujoacy sie naglowek, pozwalajacy badaczom osadzac szczegolowe metadane korpusowe bezposrednio w pliku, eliminujac potrzebe osobnych plikow towarzyszacych. SPHERE stal sie rowniez de facto standardem dla glownych baz danych mowy, takich jak TIMIT, Switchboard i korpus Fisher, zapewniajac szerokie uznanie w laboratoriach akademickich i rzadowych. Otwarta specyfikacja i dostepnosc narzedzi wiersza polecen (sphere, h_strip, w_decode) umozliwiaja latwa konwersje, inspekcje i przetwarzanie tych plikow programistycznie w potokach przetwarzania mowy.

Opus to wszechstronny, otwarty kodek audio standaryzowany przez IETF jako RFC 6716 w 2012 roku. Laczy dwa podejscia do kodowania — SILK dla mowy i CELT dla muzyki — w jeden algorytm, ktory plynnie przelacza sie miedzy nimi w zaleznosci od typu tresci i szybkosci transmisji. Ta hybrydowa konstrukcja pozwala Opus przewyzszac praktycznie kazdy inny kodek w szerokim zakresie zastosowan: glos o niskim opoznieniu przy 6 kbps, muzyka wysokiej jakosci przy 128 kbps i wszystko pomiedzy. Obsluguje szybkosci transmisji od 6 do 510 kbps, czestotliwosci probkowania do 48 kHz i ramki tak male jak 2,5 ms, co daje mu najnizsze opoznienie algorytmiczne wsrod wszystkich glownych kodekow audio. Trzy zalety czynia Opus szczegolnie atrakcyjnym. Jest calkowicie wolny od tantiem i otwartorodlowy, usuwajac bariery licencyjne hamujace kodeki wlascicielskie. Osiaga transparentna jakosc przy mniej wiecej polowie szybkosci transmisji MP3 i pokonuje AAC przy rownowaznych przepustowosciach. A jego niskie opoznienie czyni go obowiazkowym kodekiem dla WebRTC, wiec kazda nowoczesna przegladarka jest wyposasona w dekoder Opus. WhatsApp, Discord, Zoom i YouTube polegaja na Opus w transmisji audio w czasie rzeczywistym.