Destined AI 发布 Hurston-1 开源口音 TTS 模型

Destined AI 发布了 Hurston-1，这是其 ClarityVoice 系列中首个开源的文本转语音（TTS）模型，专门针对电话线路环境进行了优化。该模型基于 Maya1 进行 LoRA 微调，能够生成南方美语、尼日利亚英语及西非、东非和南非英语等多种口音，并原生支持 8 kHz G.711 音频格式，可直接用于 Twilio 等电信系统。与基础版 Maya1 相比，Hurston-1 在非洲口音识别概率上从 0.60-0.82 提升至 0.92-0.98，且在复杂句子测试中的字错误率（WER）通过 --check 机制从 14.5% 降至 6.2%，同时保持了较高的可懂度。 训练数据包含约 190 小时语音，其中 10 小时来自贡献者与 AI 语音代理的真实通话录音，其余为脚本朗读和对话。模型采用自然语言描述控制参数（如性别、年龄、口音、风格、语速），但存在每通电话声音不一致、长文本分句导致音色切换以及无法克隆特定人物等限制。评估显示，虽然通用非洲英语标签效果较弱，但具体区域标签表现优异，且 Whisper 大模型在识别特定人名时仍存在拼写错误，这主要归因于识别器而非发音模型本身。 事实层面，该模型已开源并在 Hugging Face 提供权重，适用于生成测试数据、模拟呼叫者及培训材料。推断层面，这一工具将显著降低开发者构建包容性语音系统的门槛，特别是针对传统 TTS 处理不佳的口音场景。猜测层面，未来版本可能解决跨会话声音一致性问题并引入真正的电话交互风格（如自然打断和回应），但目前这些功能尚未实现。