Chuyển đổi SPH sang WAV

SPH là phần mở rộng tệp cho âm thanh lưu trữ trong định dạng NIST SPHERE (SPeech HEader REsources), một tiêu chuẩn do Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ tạo ra khoảng năm 1990. Được xây dựng cho nghiên cứu giọng nói, tệp SPH mang header ASCII 1024 byte chứa đầy siêu dữ liệu — mã định danh cơ sở dữ liệu, số kênh, tần số lấy mẫu, thứ tự byte và kiểu nén — giúp mỗi bản ghi tự mô tả. Âm thanh bên dưới thường là PCM tuyến tính 16-bit lấy mẫu ở 16 kHz, dù các cấu hình khác cũng được phép. Các nhà nghiên cứu tại NIST, DARPA và các trường đại học trên toàn thế giới dựa vào SPH để phân phối kho ngữ liệu giọng nói như TIMIT, Switchboard và các bộ sưu tập LDC — nền tảng của các hệ thống nhận dạng giọng nói tự động hiện đại. Ưu điểm chính là header đọc được bằng mắt người cho phép các script phân tích siêu dữ liệu bản ghi mà không cần giải mã nhị phân. Sự chuẩn hóa nghiêm ngặt của định dạng cũng loại bỏ sự mơ hồ khi chia sẻ tập dữ liệu giữa các tổ chức và nền tảng. Vì tệp SPH lưu trữ PCM không nén, chúng bảo toàn toàn bộ chất lượng âm thanh — điều cực kỳ quan trọng khi huấn luyện mô hình âm học mà ngay cả những artifact nhỏ cũng có thể làm lệch kết quả.

WAV (Waveform Audio File Format) là bộ chứa âm thanh không nén do Microsoft và IBM cùng phát triển, công bố lần đầu vào tháng 8 năm 1991 cùng với Windows 3.1. Được xây dựng trên Resource Interchange File Format (RIFF), WAV lưu trữ dữ liệu âm thanh — phổ biến nhất là điều chế mã xung tuyến tính (LPCM) — cùng siêu dữ liệu mô tả tần số lấy mẫu, độ sâu bit và số kênh. Cấu trúc đơn giản này đã biến WAV thành tiêu chuẩn thực tế cho âm thanh không nén trên Windows và định dạng trao đổi được chấp nhận phổ quát trên hầu như mọi hệ điều hành, trình chỉnh sửa âm thanh và trình phát media hiện có. Tệp WAV chất lượng CD sử dụng mẫu 16-bit ở 44,1 kHz stereo, trong khi quy trình chuyên nghiệp thường dùng mẫu 24-bit hoặc 32-bit float ở tần số lên đến 192 kHz. Ưu điểm lớn là chất lượng không tổn hao: vì WAV tiêu chuẩn không áp dụng nén, dữ liệu lưu trữ là bản sao kỹ thuật số chính xác của bản ghi gốc, khiến nó là lựa chọn ưu tiên cho mastering và lưu trữ. WAV cũng hỗ trợ siêu dữ liệu nhúng qua chunk INFO và BWF, cho phép đánh dấu thời gian và ghi chú sản xuất. Đánh đổi chính là kích thước tệp — một phút stereo chất lượng CD chiếm khoảng 10 MB — và cấu trúc RIFF 32-bit áp đặt giới hạn 4 GB, dù RF64 đã loại bỏ giới hạn đó.