Chuyển đổi NIST sang CAF

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.

CAF (Core Audio Format) là một container âm thanh linh hoạt được phát triển bởi Apple và ra mắt cùng Mac OS X 10.4 Tiger vào năm 2005. Được xây dựng để khắc phục hạn chế của các định dạng cũ, CAF xóa bỏ giới hạn kích thước tệp 4 GB vốn ràng buộc WAV và AIFF, về lý thuyết hỗ trợ độ dài không giới hạn. Container chứa được hầu như mọi codec — AAC, ALAC, MP3, PCM tuyến tính, IMA ADPCM và nhiều hơn nữa — trong một lớp bọc thống nhất. Kiến trúc dựa trên khối lưu trữ âm thanh cùng với siêu dữ liệu phong phú bao gồm bố trí kênh, vùng đánh dấu, chú thích và dữ liệu MIDI. Ưu điểm nổi bật là khả năng xử lý bản ghi cực dài: phát thanh viên và kỹ thuật viên thu âm thực địa có thể ghi hàng giờ âm thanh liên tục mà không lo giới hạn kích thước. Hỗ trợ codec linh hoạt là thế mạnh khác, vì một container hoạt động cho dù nội dung là lossless 24-bit/192 kHz độ phân giải cao hay giọng nói nén. Framework Core Audio của Apple cung cấp hỗ trợ gốc trên macOS và iOS, đảm bảo phát lại độ trễ thấp trong các ứng dụng chuyên nghiệp như Logic Pro và Final Cut Pro. Cho các quy trình làm việc trong hệ sinh thái Apple đòi hỏi cả tính đa dụng và quy mô, CAF là lựa chọn cực kỳ mạnh mẽ.