VOX 转 SPH 转换器
将 Dialogic VOX 转换为 NIST SPHERE 格式
vox
sph
研究语料库就绪
NIST SPHERE 是语音研究数据的标准。VOX 电话录音成为训练素材。
电话到研究
以研究格式呈现的真实呼叫中心音频——对构建电话特定语音识别模型很有价值。
批量处理
将整个 VOX 录音集合转为 SPH 用于语料库构建。
如何转换VOX到SPH
从计算机，Google Drive，Dropbox，URL或在页面上拖拽选择文件.
选择sph或任何其他你需要的格式作为结果（支持超过200种格式）
让文件进行转换随后你可以下载你的sph文件
关于格式
VOX 是一种基于 Dialogic ADPCM 编码的无头部音频格式,自 1980 年代以来在电话、交互式语音应答(IVR)系统和语音邮件平台中被广泛采用。每个音频采样使用 Oki Electric 开发并在 Dialogic Corporation 电话接口卡上以硬件实现的算法压缩为 4 位。VOX 文件通常使用 6000 或 8000 Hz 的采样率,产生极为紧凑的录音,优先保证语音可懂度而非音乐保真度。由于该格式不包含头部,播放软件必须预先知道采样率和编码参数 — 这种取舍减少了开销但需要谨慎的文件管理。VOX 的主要优势在于存储效率:8 kHz 下一分钟的语音录音大约仅占 240 KB,对于存储数千条提示音的系统来说非常实用。Dialogic ADPCM 符合 ITU-T G.726 标准,确保了不同厂商电话设备之间的互操作性。即使现代呼叫中心正在向基于 IP 的系统迁移,使用 Opus 等编解码器,全球范围内旧版 IVR 部署和合规存档中仍存在大量 VOX 录音。
SPH 是 NIST SPHERE(SPeech HEader REsources,语音头资源)格式音频文件的扩展名,该标准由美国国家标准与技术研究院于 1990 年前后创建。SPH 文件专为语音研究而设计,包含一个 1024 字节的 ASCII 头部,其中填充了丰富的元数据 — 数据库标识、声道数、采样率、字节序和压缩类型 — 使每条录音都具有自描述性。底层音频通常为 16 kHz 采样的 16 位线性 PCM,但也允许其他配置。NIST、DARPA 及全球各大学的研究人员依赖 SPH 格式分发 TIMIT、Switchboard 和 LDC 语料库等语音数据集,这些数据集是现代自动语音识别系统的基础。一个关键优势是,人类可读的头部使得脚本无需二进制解码即可解析录音元数据。该格式严格的标准化也消除了跨机构、跨平台共享数据集时的歧义。由于 SPH 文件存储未压缩的 PCM,可完整保留音频保真度 — 这在训练声学模型时至关重要,因为即使微小的失真也可能影响结果。
经常问的问题
为什么要将 VOX 转为 SPH？
SPHERE 是语音研究语料库的标准。将 VOX 转换可为语音识别创建电话训练数据。
哪些软件能打开 SPH？
NIST SPHERE 工具、SoX、HTK 和 Kaldi 可读取 SPH 文件。
电话 VOX 适合研究吗？
真实世界的电话音频对训练语音识别很有价值——它代表了实际的通话条件。
可以批量转换用于语料库构建吗？
上传多个 VOX 文件并同时转为 SPH——高效构建电话语音语料库。
SPH 和 NIST 一样吗？
是的——SPH 是文件扩展名，NIST 指的是原始组织。