Destined AI 开源 Hurston-1：专攻美国南方与非洲口音的英语语音合成模型

亚特兰大的独立团队 Destined AI 在 Hugging Face 上开源了文本转语音（TTS）模型 Hurston-1。它基于 Maya1 微调，主攻多数 TTS 系统处理不好的美国南方口音和多种非洲口音英语，还提供可直接输出电话音质的「电话模式」。它是 Destined AI ClarityVoice 系列的首个开源模型，权重采用 Apache-2.0 许可。

能做什么

Hurston-1 用一句话描述来指定声音，格式为「性别、年龄、口音、风格、语速」。可选口音包括：

• 美国南方口音和普通美式英语
• 尼日利亚英语（含约鲁巴、伊博）
• 西非英语
• 东非英语（含斯瓦希里）
• 南部非洲英语

每次调用都会生成一个符合描述的新声音。模型不做声音克隆，也没有被训练去复现任何真人。

面向电话的 NB-TTS

Destined AI 把这套思路称为 NB-TTS（窄带 TTS）。开启电话模式（--phone）后，输出会被过滤到 300–3,400 Hz 的电话频段，重采样为 8 kHz，并编码为 G.711 mu-law（用 --codec alaw 可改为 A-law），可用于 Twilio 等电话系统。默认输出仍是 24 kHz 音频。

训练数据里也有电话场景：约 10 小时音频来自 250 名贡献者与全双工 AI 语音客服的真实通话，共 7,600 轮。

训练数据

模型采用 LoRA（rank 64）微调，共 2,000 步，使用约 190 小时语音：

• Destined AI 自有语料：约 136 小时，是其 1,800 多小时语料的一部分，来自获得同意并获报酬的贡献者。
• LibriTTS-R：约 46 小时。
• Mozilla Common Voice：约 10.5 小时，为非洲口音的英语说话人，经质量筛选。

团队自 2021 年起录制美国南方和非洲贡献者的语音。完整语料未随本次发布。

评测结果（均为发布方自测）

在口音强度上，团队用一个区分非洲英语与美式英语的口音分类器，对 Hurston-1 和 Maya1 基础模型各 180 条片段打分，数值为被判为非洲口音的概率：

该分类器无法区分美国南方口音与普通美式英语，因此南方口音是靠人工听辨检查的。

在可懂度上，团队用 Whisper large-v3-turbo 计算词错误率（WER，越低越好）。日常句子集上，Hurston-1 为 0.03，Maya1 基础模型为 0.02。在由 30 条未见过的较难句子与 17 种声音组合生成的 510 条片段上，单次生成的平均 WER 为 0.145；使用 --check 后降到 0.062。--check 会重试 Whisper 听不清或声音发生变化的片段。

盲听对比共 54 次，测试者选 Hurston-1 的占 78%，选 Maya1 基础模型的占 6%，其余为平局或都不选。

局限

模型卡列出的局限包括：

• 声音不连贯：每次调用的声音都不同，长文本按约 40 词分块，块与块之间声音可能变化。团队计划在后续版本提供固定的命名声音。
• 专有内容较弱：人名、日期、金额表现最弱，使用 --check 时 WER 为 0.17。
• 通用标签较弱：笼统的 African English accent 标签 WER 为 0.26，建议改用具体地区。
• 范围有限：仅支持英语，没有儿童声音。

团队还要求不要用该模型冒充真人、欺骗听众或实施欺诈，并应告知听众语音为合成。

来源

• https://huggingface.co/destined/hurston-1