Hurwitz-1 オープンソースのアクセント付きTTSが、米国南部英語とアフリカ英語を電話回線AIにもたらす

要点

Hurston-1は、南部アメリカ英語、ナイジェリア英語、西アフリカ英語、東アフリカ英語、南部アフリカ英語、および一般的なアメリカ英語を8kHz G.711電話回線品質で合成できるオープンソースの狭帯域テキスト読み上げモデルであり、Twilioベースの音声エージェントやアクセント公平性テストにすぐに使用できます。

Hurston-1とは？

Hurston-1は、Destined AIがリリースしたMaya1 TTSモデル（Apache-2.0）のLoRAファインチューンです。これは、電話帯域オーディオ（8kHz G.711 mu-law）を直接出力する合成パイプラインである**NB-TTS（狭帯域TTS）**を導入しつつ、フルバンド24kHz出力もサポートしています。このモデルは、約190時間の音声（寄稿者とAIエージェント間の実際の電話通話録音約10時間を含む）でトレーニングされ、電話の音響特性を捉えています。

主な機能

  • アクセント付き英語合成 – 南部アメリカ英語、ナイジェリア英語（一般、ヨルバ語、イボ語）、西アフリカ英語、東アフリカ英語（スワヒリ語を含む）、南部アフリカ英語、および一般的なアメリカ英語の9つの明示的なアクセント記述子をサポートします。
  • 音声説明API – 音声は平易な言語での説明（Gender, age, accent, style, pace）から生成されます。各リクエストは説明に一致する新しい音声をサンプリングします。モデルは実在の人物をクローンしません。
  • 電話モード出力 – --phone（またはphone=True）は、波形を300〜3,400Hzの電話帯域にフィルタリングし、8kHzにリサンプリングしてG.711 mu-law（またはA-law）としてエンコードします。結果のバイトは、ulaw_encode()を介してTwilio、SIP、その他のテレフォニープラットフォームに直接ストリーミングできます。
  • 組み込み品質チェック – --checkは、Whisper large-v3-turbo転写とECAPA話者埋め込み検証を実行します。認識エンジンが音声を追跡できない場合や、テイク中に音声が変化した場合に合成を再試行します。
  • オープンソースライセンス – モデルウェイトはApache-2.0（Maya1由来）です。トレーニングデータは、Destined AIの独自アクセント英語コーパス、LibriTTS-R（CC BY-4.0）、Mozilla Common Voice（CC0）を組み合わせたものです。

Hurston-1の使用方法

pip install torch transformers snac soundfile scipy speechbrain
python hurston.py --model . --check \
    --accent "Nigerian English accent" --gender Female \
    --text "Good afternoon. Please take one tablet twice a day after meals." \
    --out hello.wav

# 電話モードの例（8kHz G.711 mu-law）
python hurston.py --model . --check --phone \
    --accent "Southern American accent" --gender Male \
    --text "Thanks for calling, how can I help you today?" \
    --out call.wav

from hurston import Hurston, describe, ulaw_encode
tts = Hurston('.', check=True)
call = tts(
    "Hi, I'm calling about my appointment on Tuesday.",
    describe('Female', 'older', 'Nigerian English accent'),
    phone=True,
)
payload = ulaw_encode(call)   # 8kHz mu-law bytes ready for Twilio media streams

評価結果

アクセント忠実度

カスタムのアフリカ英語対アメリカ英語アクセント分類器を、各モデルについて180クリップ（10文×18音声）で実行しました。Hurston-1は、ベースのMaya1モデルよりも大幅に高いアフリカ英語アクセント確率を達成しました。例：南部アフリカ英語0.95対0.60、ナイジェリア英語0.94対0.82、一方で一般的なアメリカ英語アクセントは低く維持（0.02）。

了解度

テストセット モデル 平均WER WER>20%のクリップ
日常文（180クリップ） Maya1 0.02 –
日常文（180クリップ） Hurston-1 0.03 –
難しい文（510クリップ） Hurston-1（シングルテイク） 0.145 17.1%
難しい文（510クリップ） Hurston-1（--check） 0.062 8.4%

--checkフラグを使用すると、WERは0.062に低下し、複雑なヘルスケアや数値の発話でもモデルが信頼できるようになります。

アクセント別WER（難しいセット、--check）

アクセント WER
アメリカ英語 0.021
南部アメリカ英語 0.070
ナイジェリア英語 0.070
ナイジェリア英語（イボ語） 0.016
ナイジェリア英語（ヨルバ語） 0.078
西アフリカ英語 0.059
東アフリカ英語 0.043
東アフリカ英語（スワヒリ語） 0.019
南部アフリカ英語 0.053

名前と数字は最もエラーが発生しやすいままです（WER≈0.17）。これは主に、合成エラーではなく認識エンジンのスペルミスによるものです。

リスニングテスト

盲検比較では、参加者はHurston-1について、要求されたアクセントを持つ実際の人物に最も似ていると感じる音声を78%の確率で選択しました。一方、ベースのMaya1モデルではわずか6%でした。

実用的なユースケース

  • ASRのアクセントカバレッジテスト – 9つのアクセントで同一のスクリプトを生成し、製品リリース前に転写バイアスを明らかにします。
  • IVR/音声エージェント用の合成発信者 – Hurston-1を発信者スクリプトを書くLLMと組み合わせ、8kHz mu-lawオーディオをTwilioにストリーミングし、エージェントが多様なアクセント、名前、数字をどのように処理するかを評価します。
  • データ拡張 – キーワードスポッティング、ウェイクワード検出、または低リソースASRモデルのトレーニングセットにアクセント付き合成音声を追加します。
  • ローカライズされた音声プロンプト – サービスを提供するコミュニティに合った音声で、電話メニュープロンプト、予約リマインダー、交通案内を展開します。
  • 教育とトレーニング – 学習者にさまざまな世界英語のリスニング教材を提供し、カスタマーサービスのスタッフが地域の音声パターンを理解できるようにトレーニングします。
  • 研究 – 音声システムの公平性監査、知覚研究、または過小評価されている英語アクセントのベンチマーク作成を実施します。

制限事項

  • 一貫した音声アイデンティティがない – 各発話は新しい音声をサンプリングします。長いテキストは約40語のチャンクに分割され、文の途中で音声が変わる可能性があります。
  • 名前、日付、金額でのエラー率が高い – ミッションクリティカルなコンテンツには--checkと手動リスニングを使用してください。
  • 一般的な「アフリカ英語アクセント」ラベルは弱い – 特定の地域ラベルの方が忠実度が高くなります。
  • 英語のみ、成人の音声 – 子供や非英語言語のサポートはありません。
  • 電話モードはオーディオをフィルタリングするだけで、話し方を変更しません – 「mm-hm」などのターンテイキングの手がかりは自動的に挿入されません。

将来のロードマップ

  • テレフォニー固有のスタイルTTS – バンドパスフィルターを適用するだけでなく、通話固有の韻律（バックチャネル、ペーシング）を学習するモデル。
  • 一貫した名前付き音声 – 複数の通話や文で同じ合成音声を再利用できる機能。ブランド音声アプリケーションに役立ちます。

コミュニティの反応（Hacker News）

  • あるコメンテーターは、米国南部のアクセントが「主流の音声認識モデルでは本当に十分に表現されていない」と指摘し、Hurston-1が評価データセットを改善する可能性を強調しました。
  • 別のユーザーは、アフリカ言語AIに対するゲイツ財団の助成金などの資金調達機会へのプロジェクトの関連性を指摘し、アウトリーチが影響を拡大できる可能性を示唆しました。
  • 複数の参加者が、南部アメリカ英語とアフリカ英語の両方の変種を捉えたオープンウェイトモデルへの熱意を表明しました。これは2026年にはめったに見られない組み合わせです。

責任ある使用ガイドライン

  • Hurston-1を実在の個人になりすましたり、リスナーを欺いたりするために使用しないでください。
  • オーディオが合成であることを常に開示してください。
  • リポジトリ内のデモオーディオは合成であり、実際の録音として提示しないでください。

引用

@misc{hurston2026,
  title  = {Hurston-1: Accented English Narrowband Text-to-Speech (NB-TTS) for the Phone},
  author = {{Destined AI}},
  year   = {2026},
  url    = {https://destined.ai}
}

Sources