Chuyển đổi NIST sang AMR

NIST SPHERE (SPeech HEader REsources) là định dạng tệp âm thanh chuyên dụng do Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ phát triển, phục vụ nghiên cứu giọng nói, đặc biệt các dự án được DARPA tài trợ. Định dạng này đóng gói các mẫu âm thanh thô kèm theo phần header ASCII có cấu trúc, chứa siêu dữ liệu như tần số lấy mẫu, số kênh, kiểu mã hóa, thông tin nhân khẩu học người nói và chú thích phiên âm — lý tưởng cho việc phân phối kho dữ liệu giọng nói. Các tệp NIST thường lưu trữ âm thanh PCM không nén hoặc mu-law ở tần số lấy mẫu chất lượng điện thoại (8 kHz hoặc 16 kHz), dù bộ chứa đủ linh hoạt để hỗ trợ nhiều kiểu mã hóa khác. Ưu điểm nổi bật là phần header tự mô tả phong phú, cho phép nhà nghiên cứu nhúng trực tiếp siêu dữ liệu chi tiết của kho ngữ liệu vào tệp mà không cần tệp đi kèm. SPHERE cũng trở thành tiêu chuẩn thực tế cho các cơ sở dữ liệu giọng nói lớn như TIMIT, Switchboard và Fisher corpus, được công nhận rộng rãi trong các phòng thí nghiệm học thuật và chính phủ. Đặc tả mở và sự sẵn có của các công cụ dòng lệnh (sphere, h_strip, w_decode) giúp việc chuyển đổi, kiểm tra và xử lý các tệp này trở nên đơn giản trong các quy trình xử lý giọng nói.

AMR (Adaptive Multi-Rate) là định dạng âm thanh nén được tối ưu hóa cho giọng nói, chuẩn hóa bởi Viện Tiêu chuẩn Viễn thông Châu Âu và được áp dụng làm codec bắt buộc cho mạng di động GSM và 3G. Codec chuyển đổi linh hoạt giữa tám mức bitrate — từ 4.75 đến 12.2 kbps — tùy thuộc vào điều kiện mạng và mức độ nhiễu nền. Khi chất lượng liên kết giảm, bộ mã hóa chuyển sang tốc độ thấp hơn, đánh đổi một chút độ rõ để đảm bảo tính ổn định truyền tải. Cơ chế thích ứng này được định nghĩa trong các đặc tả 3GPP và là một trong những codec giọng nói được triển khai rộng rãi nhất trên toàn cầu, sử dụng trong hàng tỷ cuộc gọi di động. Ưu điểm chính là hiệu suất nén: một phút âm thanh AMR ở 12.2 kbps chiếm khoảng 90 KB, thực tế cho ghi âm thoại, thư thoại và MMS trên các mạng có băng thông hạn chế. Lợi ích khác là tích hợp sẵn phát hiện hoạt động giọng nói và tạo nhiễu thoải mái, giảm truyền tải trong khoảng lặng. Mặc dù AMR không phù hợp cho nhạc do băng thông hẹp (300-3400 Hz), nó xuất sắc trong việc truyền tải giọng nói rõ ràng trong điều kiện mạng khó khăn.