Hurwitz-1 开源带口音 TTS 将美国南部和非洲英语带入电话线路 AI

要点

Hurston-1 是一个开源窄带文本转语音模型，能够以 8 kHz G.711 电话线路质量合成美国南部、尼日利亚、西非、东非、南部非洲以及更广泛的美国英语，使其适用于基于 Twilio 的语音代理和口音公平性测试。

什么是 Hurston-1？

Hurston-1 是 Destined AI 发布的 Maya1 TTS 模型（Apache-2.0）的 LoRA 微调版本。它引入了 NB-TTS（窄带 TTS）——一种直接输出电话频段音频（8 kHz G.711 mu-law）的合成流水线，同时仍支持全频段 24 kHz 输出。该模型在约 190 小时的语音数据上训练，其中包括约 10 小时贡献者与 AI 代理之间的真实电话录音，以捕捉电话通信的声学特征。

核心特性

  • 带口音英语合成 – 支持九种明确的口音描述：美国南部、尼日利亚（通用、约鲁巴、伊博）、西非、东非（包括斯瓦希里）、南部非洲以及通用美国英语。
  • 语音描述 API – 语音根据自然语言描述（性别、年龄、口音、风格、语速）生成。每次请求都会采样一个符合描述的新语音；该模型不克隆任何真实人物。
  • 电话模式输出 – --phone（或 phone=True）将波形过滤到 300-3,400 Hz 电话频段，重采样至 8 kHz，并编码为 G.711 mu-law（或 A-law）。生成的字节可以通过 ulaw_encode() 直接流式传输到 Twilio、SIP 或其他电话平台。
  • 内置质量检查 – --check 运行 Whisper large-v3-turbo 转录和 ECAPA 说话人嵌入验证；当识别器无法跟上音频或语音在录制中途变化时，它会重试合成。
  • 开源许可 – 模型权重为 Apache-2.0（源自 Maya1）。训练数据结合了 Destined AI 专有的带口音英语语料库、LibriTTS-R（CC BY-4.0）和 Mozilla Common Voice（CC0）。

如何使用 Hurston-1

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

# 电话模式示例（8 kHz 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)   # 8 kHz mu-law 字节，可直接用于 Twilio 媒体流

评估结果

口音保真度

对每个模型运行了一个自定义的非洲口音与美国口音分类器，共 180 个片段（10 个句子 × 18 个语音）。Hurston-1 在非洲口音概率上显著高于基础 Maya1 模型，例如南部非洲 0.95 对比 0.60，尼日利亚 0.94 对比 0.82，同时保持通用美国口音较低（0.02）。

可懂度

测试集 模型 平均 WER WER >20% 的片段
日常句子（180 个片段） Maya1 0.02 –
日常句子（180 个片段） Hurston-1 0.03 –
较难句子（510 个片段） Hurston-1（单次录制） 0.145 17.1%
较难句子（510 个片段） Hurston-1（--check） 0.062 8.4%

当使用 --check 标志时，WER 降至 0.062，使模型在复杂的医疗或数字表述上也能保持可靠。

各口音 WER（困难集，--check）

口音 WER
美国 0.021
美国南部 0.070
尼日利亚 0.070
尼日利亚（伊博） 0.016
尼日利亚（约鲁巴） 0.078
西非 0.059
东非 0.043
东非（斯瓦希里） 0.019
南部非洲 0.053

姓名和数字仍然是最容易出错的（WER ≈ 0.17），这主要是由于识别器的拼写错误，而非合成错误。

听力测试

在一项盲测中，参与者选择 Hurston-1 生成的语音听起来最像带有指定口音的真实人物的比例为 78%，而基础 Maya1 模型仅为 6%。

实际应用场景

  • ASR 的口音覆盖测试 – 生成九种口音的相同脚本，在产品发布前暴露转录偏差。
  • IVR/语音代理的合成呼叫者 – 将 Hurston-1 与编写呼叫脚本的 LLM 配对，将 8 kHz mu-law 音频流式传输到 Twilio，并评估代理如何处理不同口音、姓名和数字。
  • 数据增强 – 将带口音的合成语音添加到关键词识别、唤醒词检测或低资源 ASR 模型的训练集中。
  • 本地化语音提示 – 以符合服务社区的口音部署电话菜单提示、预约提醒或交通公告。
  • 教育与培训 – 为学习者提供各种世界英语的听力材料；培训客服人员理解地区性语音模式。
  • 研究 – 对语音系统进行公平性审计、感知研究，或为代表性不足的英语口音创建基准。

局限性

  • 没有一致的语音身份 – 每次发声都会采样一个新语音；长文本被分成约 40 个单词的块，可能在句子中途改变语音。
  • 姓名、日期、金额错误率较高 – 对于关键内容，请使用 --check 并手动聆听。
  • 通用的“非洲英语口音”标签较弱 – 具体的地区标签能提供更好的保真度。
  • 仅支持英语，成人语音 – 不支持儿童或非英语语言。
  • 电话模式仅过滤音频，不改变说话风格 – 不会自动插入“嗯哼”等轮流发言提示。

未来路线图

  • 电话原生风格 TTS – 一个学习呼叫特定韵律（如反馈语、语速）的模型，而不仅仅是应用带通滤波器。
  • 一致的命名语音 – 能够在多次通话和句子中复用相同的合成语音，适用于品牌语音应用。

社区反应（Hacker News）

  • 一位评论者指出，美国南部口音在主流语音转文本模型中“代表性非常差”，强调了 Hurston-1 改进评估数据集的潜力。
  • 另一位用户指出了该项目与盖茨基金会非洲语言 AI 资助等资金机会的相关性，建议外联可以扩大影响。
  • 几位参与者对开源权重模型同时捕捉美国南部和非洲英语变体表示热情，这种组合在 2026 年很少见。

负责任使用指南

  • 不要使用 Hurston-1 冒充真实个人或欺骗听众。
  • 始终披露音频是合成的。
  • 仓库中的演示音频是合成的，不应作为真实录音呈现。

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