开源 TTS 模型 Hurston-1 支持多种英语口音

为手机设计的带重音的英语语音合成，由简单的语言语音描述控制。

Hurston-1 引入了 NB-TTS (窄带TTS)：为电话线路设计的语音合成，即使对方是AI代理，大多数客户服务仍然通过电话线进行。它在一定程度上从我们贡献者和AI语音代理之间的真实电话通话中学习，其电话模式提供了实际听到的内容：8 kHz G.711音频，准备好用于Twilio和其他电话系统。全24 kHz音频仍然是默认设置。

Hurston-1是Maya1 (Apache-2.0)的微调版本，由Destined AI构建，用于说大多数TTS系统处理得不好的英语口音：美国南部、尼日利亚、西非、东非、南非口音，以及更广泛的美式英语。它是Destined AI ClarityVoice系列中的第一个开源模型。

pip install torch transformers snac soundfile scipy speechbrain   # speechbrain is only needed for --check
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

# the same line as a caller hears it: 8 kHz G.711 mu-law WAV
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
tts = Hurston('.', check=True)          # check=True retries takes that Whisper cannot follow or where the voice changes
wav = tts("Well hey there, thanks for calling.", describe('Male', 'adult', 'Southern American accent'))

南方有话要说

1995年， André 3000 在 Source Awards 颁奖礼上站在舞台上，面对一群嘲笑OutKast的观众，他说"南方有话要说。"我们认为这句话仍然适用。

Hurston-1是由亚特兰大的一支小独立团队构建的。自2021年以来，我们从美国南部和非洲各地录制了经过同意的付费贡献者。这些是大多数AI系统仍然扁平化为通用美式英语的声音。没有人给我们提供资金来做到这一点，所以我们自己构建了它。这些声音属于AI，现在它们有了开源模型。

我们以Zora Neale Hurston的名字命名。她在佛罗里达州的Eatonville长大，接受人类学家训练，并 travels遍南方，记录黑人南方人实际说话的方式：他们的故事、歌曲和演讲，在那时很少有机构认为这些声音值得保留。我们的工作是她的一小部分回响。这个名字是一种致敬；它并不意味着她的遗产有任何认可。

听南方

亚特兰大周围人们实际说话的几句话。全部是合成的；每个声音都是根据描述生成的。

每个口音的更多样本在demo/（demo/demos.csv中的描述和文本）。

声音描述

该模型是在Gender, age, accent, style, pace形式的描述上训练的：

节奏标签是绝对说话速率，从训练数据中的自然声音中学习：大约慢速是每秒少于2个词，测量为2到2.6，自然2.6到3.4，快速超过3.4。模型大致遵循它们，而不是精确地。它仍然高度匹配底层数据集的行为。

每次通话都会采样一个符合描述的新声音。注意：Hurston-1不会克隆声音，也没有接受过训练来复制任何真实的人。

为电话构建（NB-TTS）

大多数语音AI是在录音室质量下展示的，然后部署在电话线上。Hurston-1是为它实际被听到的地方构建的：

• 基于真实通话训练。 约 10 小时的训练音频（来自 250 位贡献者的 7,600 轮对话）包含真实通话中的全双工 AI 语音代理电话质量语音，以及录音棚风格的朗读和对话。
• 电话模式。 --phone（或 phone=True）将输出过滤到 300 到 3,400 Hz 的电话频段，重采样为 8 kHz 并编码为 G.711 mu-law（--codec alaw 为 A-law），这是电话网络、SIP 和 Twilio 使用的格式。这是一个在合成后应用的通道效果，因此 --check 仍然判断完整质量的录音。
• 准备流式传输。 ulaw_encode() 返回原始 mu-law 字节，这是 Twilio 媒体流期望的有效载荷。

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 bytes; base64 it for a Twilio media stream

人们用它来做什么

一些入门建议。在 Destined AI 我们使用带重音的 TTS 来构建广泛的、高质量的测试数据，这仍然是我们会首先推荐的使用方式。

• 语音识别的测试数据。 用九种口音生成相同的句子，看看你的 ASR、字幕或转录系统在哪里出问题。它可以在发布前进行快速的口音覆盖检查或回归集。
• 语音代理和 IVR 的模拟呼叫者。 将 Hurston-1 与一个编写呼叫脚本（客户、患者、申请人）的大型语言模型配对，在真人使用之前通过你的代理运行数百次合成通话。使用电话模式，这样代理就能听到它在生产中会听到的声音。这有助于捕捉代理在口音、姓名或数字上听错的地方。
• 训练数据增强。 在 ASR、关键词识别或唤醒词训练集中添加带重音的合成语音，其中这些口音较少。将其与真实语音混合，而不是仅使用合成音频进行训练。
• 语音提示和公告。 电话菜单（电话模式输出直接进入 IVR）、预约提醒、商店和交通公告、应用引导，使用听起来像你所服务的社区的声音。
• 教育和培训。 世界英语的听力练习，供学习者使用，以及客户服务、医疗保健和呼叫中心员工的口音熟悉练习。
• 无障碍和朗读。 以更接近家乡的声音朗读文章、表格或消息。
• 游戏、动画和媒体草稿。 背景角色、临时语音轨道和播客或有声书草稿，标记为合成。
• 研究。 语音系统的口音公平性审计、听力和感知研究，以及涵盖大多数数据集遗漏的语音的基准。

目前不适合： 在会话中保持一致的品牌声音（每次通话都是一个新的声音；见限制），克隆特定的人，或在没有人类先听的情况下进行任何安全关键的内容。

评估

两个问题：它听起来像口音吗？它说这些词吗？

口音强度与基础 Maya1。 基础 Maya1 文档了五种口音（美国、印度、中东、亚裔美国人、英国）。为了公平比较，我们用它自己的文档描述风格提示它，命名每个口音，并将其与 Hurston-1 在相同的 10 个句子和 18 个声音（每个模型 180 个剪辑）上进行了比较。一个口音分类器（基于真实说话者训练的非洲英语与美国英语）对每个语音组进行了评分：

这个分类器无法区分南方美式英语和通用美式英语；那个口音是通过听辨检查的。

可懂度。对输入文本进行大型-v3-turbo单词错误率（WER）低语测试（WER数值越低越好）。

日常句子（与上述口音测试相同的180个片段，natural pacing，单次录制）：

更难的句子（30个未见句子×17个声音，510个片段）：

更难的集合涵盖了阅读、健康、客户服务、姓名和数字、表达性和长句子。基础版Maya1非常清晰，因为它主要保持在美国英语中；Hurston-1在实际上做口音时保持了几乎相同的清晰度。

姓名和数字是最难的一类（带--check的WER为0.17）。部分原因是识别器拼写非洲姓名（如Adaeze Okafor）而不是模型发音错误。

语速。带natural pacing的中位数为每秒2.84个单词，而基础版Maya1为每秒3.76个。Hurston-1说话稍微更刻意；使用fast pacing进行更快地表达。

盲听。测试者随机顺序听到基础版Maya1和Hurston-1的同一句话，不知道哪个是哪个，并选择听起来更像带有请求口音的真人声音的那个。Hurston-1有78%的时间被选中，而基础版Maya1只有6%；其余的是平局或都不选（54次比较）。基础版Maya1从未被选中用于非洲或南方美国的声音；它的少数胜利是在普通的美国英语上。

训练数据

Maya1的64位LORA微调，2000步，约190小时的语音：

口音标签来自每个贡献者自我报告的背景，与音频口音分类器和人工听辨核对；音频和标签不一致的说话者被重新标记或移除。语速标签来自每个片段测量的说话速度。所有贡献者都是成年人。完整的Destined AI语料库（1800多小时，自2021年录制）未包含在此发布中；请联系我们关于许可它。

限制

• 通话间无声音一致性。每次通话都是一个符合描述的新声音。长文本在句子末尾分割成约40个词的片段，因此声音可以在片段之间变化。计划在后续版本中提供一致命名的声音。
• 姓名、日期和金额是最薄弱的内容。使用--check并在发送任何重要内容前听一下。
• 通用的African English accent标签较弱（WER为0.26）；使用具体地区。
• 仅英语。没有儿童声音。
• 像其他自回归TTS模型一样，它偶尔会产生混乱或过长的录制，或者声音在录制中途发生变化；--check捕获了其中的大部分。
• 输出对所有声音都调整为相同的响度，并且录制内部的超过半秒的停顿被缩短。
• 电话模式改变的是频道，不是说话风格：模型目前还不能按请求选择通话风格的交付（如轮流发言、应答话术）。参见“未来规划”。

未来规划

Hurston-1 是第一步。我们正在构建的目标：

• 电话原生 TTS。一个学习像通话中的人一样说话的模型，而不仅仅是像电话线路一样发声：通话风格与阅读风格不同，具有自然的轮流发言、“嗯哼”声和通话节奏，这些是从我们记录的真实人与全双工 AI 代理交谈的录音中学习的.
• 一致的语音。同一名称的语音在每次通话和每句话中都保持一致，适用于代理和品牌.

关注 Destined AI on Hugging Face 获取下一个发布版本.

负责任使用

不要使用 Hurston-1 伪装真实人物、欺骗听众或进行欺诈。告知听众何时语音是合成的。demo/ 中的音频是合成的.

致谢与许可

• 模型权重：Apache-2.0，源自 Maya Research 开发的 Maya1（Apache-2.0）。
• 音频编解码器：SNAC 24 kHz 由 Hubert Siuzdak 开发（MIT），在运行时下载。电话模式使用 ITU-T G.711（公共标准）。
• 可选检查：Whisper large-v3-turbo 由 OpenAI 开发（MIT）和 ECAPA 说话人嵌入 来自 SpeechBrain（Apache-2.0），在运行时下载.
• 训练数据：LibriTTS-R（Koizumi 等人，2023；CC BY 4.0）、Mozilla Common Voice（CC0）以及 Destined AI 自有的语料库.

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}
}