Hurston-1: TTS для южного и афро-английского

Когда ИИ «говорит не вашим голосом»

Представьте: вы звоните на горячую линию и слышите голос ИИ-агента с безупречным, стерильным американским акцентом. Всё понятно, всё корректно — но что-то не так. Голос звучит как чужой, как будто система создана не для вас. Именно эту проблему решает Hurston-1 — новая open source TTS-модель от атлантской компании Destined AI, опубликованная на Hacker News и набравшая немало внимания сообщества.

«Я хотел помочь большему числу людей чувствовать себя комфортно при взаимодействии с ИИ» — автор модели, основатель Destined AI.

Hurston-1 — это файнтюн модели Maya1 (Apache-2.0), созданный Destined AI для воспроизведения акцентов английского языка, с которыми большинство TTS-систем справляются плохо: Southern American, нигерийский, западноафриканский, восточноафриканский, южноафриканский, а также широкий американский английский.

Это не очередная попытка воспроизвести «правильный» английский. Это первая серьёзная попытка создать синтез речи, который звучит как живые люди — там, откуда они родом.

Почему акценты — это проблема для TTS

Современные TTS-системы обучены преимущественно на данных из богатых с точки зрения данных регионов: американский и британский английский занимают доминирующее положение в обучающих корпусах. Системы синтеза речи исторически отдают предпочтение более «универсальным» акцентам — американскому, британскому, австралийскому. Хотя на африканском континенте сосредоточено около 3000 мировых языков, африканские голоса и персонажи недопредставлены в подобных системах.

Последствия практические: когда IVR-системы, голосовые агенты и чат-боты говорят исключительно с нейтральным американским акцентом, значительная часть пользователей воспринимает взаимодействие как чуждое и некомфортное. Для бизнесов в южных штатах США, в Нигерии, Гане или Кении — это реальные конверсионные потери.

ℹ Что такое акцент в контексте TTS

Акцент в синтезе речи — это не только произношение отдельных звуков, но и ритм, интонация, паузы, редукция гласных и специфические фонетические паттерны. Именно поэтому недостаточно просто «обучить модель на нескольких примерах» — нужен большой и качественный датасет.

Датасет: 5 лет работы и 20 000 участников

Один из самых впечатляющих аспектов Hurston-1 — это не сама модель, а данные, которые за ней стоят.

С 2021 года автор собирал полностью согласованные (fully consented) голосовые данные от более чем 20 000 человек: свыше 1 миллиона аудиозаписей и более 1800 часов аудио. Это огромный массив данных, собранный с соблюдением всех этических норм — каждый участник дал явное согласие на использование своего голоса.

Для текущей модели использовалась лишь небольшая часть этих данных — 136 часов — для файнтюна Maya1 с расширением её возможностей.

Подход примечателен с нескольких сторон:

Этика данных — полностью согласованные записи, а не данные, «собранные из интернета» без ведома участников
Масштаб — 20 000 участников обеспечивают широкое диалектное разнообразие
Телефонный контекст — модель обучалась в том числе на реальных телефонных звонках между участниками и ИИ-голосовыми агентами, что делает её особенно релевантной для реального применения

💡 Почему это важно

Большинство коммерческих TTS-датасетов строятся на записях дикторов в студии. Hurston-1 обучалась на реальных телефонных разговорах — именно там, где голос будет воспроизводиться. Это принципиальное отличие.

Архитектура: NB-TTS и телефония

Что такое NB-TTS

Hurston-1 вводит концепцию NB-TTS (Narrowband TTS) — синтез речи, созданный специально для телефонных линий, где большая часть клиентского сервиса по-прежнему происходит, даже когда на другом конце провода — ИИ-агент.

Телефонный режим модели выдаёт именно то, что слышит звонящий: аудио 8 кГц в формате G.711, готовое к работе с Twilio и другими телефонными системами. При этом полное качество 24 кГц остаётся режимом по умолчанию.

Поддерживаемые акценты

Hurston-1 построен как файнтюн Maya1 (Apache-2.0) и ориентирован на акценты, с которыми большинство TTS-систем справляются плохо: Southern American (южноамериканский), нигерийский, западноафриканский, восточноафриканский, южноафриканский, а также широкий американский английский.

Это первая открытая модель в семействе ClarityVoice от Destined AI.


graph TD
    A[Входной текст] --> B[Hurston-1 / Maya1 fine-tune]
    B --> C{Режим вывода}
    C --> D[24 kHz WAV\nСтандартное качество]
    C --> E[8 kHz G.711 mu-law\nТелефонный режим]
    E --> F[Twilio / IVR системы]
    D --> G[Подкасты / Приложения]
    B --> H[Управление акцентом\nи полом голоса]
    H --> B

Управление голосом через описание

Одна из интересных особенностей модели — управление голосом через обычный текст на естественном языке. Пользователь задаёт акцент и пол через параметры --accent и --gender, что делает интерфейс интуитивным.

Установка и быстрый старт

Модель доступна на HuggingFace и устанавливается через стандартный Python-инструментарий.

Установка зависимостей

pip install torch transformers snac soundfile scipy speechbrain

Параметр speechbrain нужен только при использовании флага --check для автоматической верификации качества вывода.

Пример: нигерийский акцент

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

Пример: телефонный режим, Southern American

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

Python API

from hurston import Hurston, describe

tts = Hurston('.', check=True)
# check=True повторяет генерацию, если Whisper не распознаёт речь
# или голос меняется между фрагментами
wav = tts("Well hey there, how can I help you today?",
          accent="Southern American accent",
          gender="Male")

⚠ Важное ограничение

Модель не поддерживает клонирование голоса и не сохраняет идентичный голос между разными запросами. Для многих сценариев это несущественно, но может быть критично при создании подкастов или аудиоконтента с постоянным персонажем.

Коммерческое применение и лицензия

Уже в продакшене

Модель уже использовалась для поддержки таких клиентов, как Amazon и Salesforce, и принесла создателю более полумиллиона долларов выручки. Это не академический проект — это работающий продукт, прошедший боевое испытание.

Лицензия Apache 2.0

Модель выпущена под лицензией Apache 2.0, что означает:

Возможность	Разрешено
Коммерческое использование	✅ Да
Модификация модели	✅ Да
Распространение	✅ Да
Патентные права	✅ Защищены
Требование указания авторства	⚠️ Да, обязательно
Гарантии от автора	❌ Нет

Apache 2.0 — одна из самых бизнес-дружественных open source лицензий. Вы можете встраивать модель в коммерческие продукты без отчислений, при условии сохранения уведомлений об авторских правах.

Сравнение с альтернативами

Характеристика	Hurston-1	Стандартные TTS (ElevenLabs, Google TTS)	Afro-TTS
Южноамериканский акцент	✅ Отлично	⚠️ Слабо	❌ Нет
Африканские акценты	✅ 4+ региона	⚠️ Ограничено	✅ 86 акцентов
Open Source	✅ Apache 2.0	❌ Проприетарный	✅ Открытый
Телефонный режим (8 kHz)	✅ Встроен	⚠️ Требует постобработки	❌ Нет
Клонирование голоса	❌ Нет	✅ Есть	❌ Нет
Цена	Бесплатно	От $22/месяц	Бесплатно

Этика и инклюзивность: почему это важно

Destined AI базируется в Атланте, и проект родился из желания помочь большему числу людей чувствовать себя комфортно при использовании ИИ и взаимодействии с ним.

Это не просто маркетинговый тезис. Когда голосовые ИИ-системы говорят только «правильными» акцентами, они де-факто транслируют сигнал: этот сервис создан не для вас. Для пользователей из Нигерии, Ганы или американского Юга — это реальный барьер для принятия технологии.

Hurston-1 атакует эту проблему сразу с двух сторон:

Технически — создаёт TTS, способный воспроизводить недооценённые акценты
Этически — строит датасет на полностью согласованных данных, с реальным участием носителей этих акцентов

📝 Кто называется в честь Zora Neale Hurston

Название модели — не случайное. Zora Neale Hurston (1891–1960) — американская писательница и антрополог, известная тем, что документировала афроамериканский фольклор и диалекты американского Юга. Её работа была посвящена сохранению культурной идентичности через язык. Hurston-1 продолжает эту традицию в эпоху ИИ.

Что дальше

Текущий релиз — это первая версия, и автор уже работает над следующей с улучшениями. Среди вероятных направлений развития:

Поддержка клонирования голоса (главное ограничение текущей версии)
Расширение числа поддерживаемых акцентов
Увеличение стабильности голоса между запросами
Возможно, интеграция с популярными голосовыми платформами (Twilio, Vapi, Bland AI)

Автор приглашает всех заинтересованных скачать модель с HuggingFace, протестировать её и оставить обратную связь.

Выводы

Hurston-1 — это редкий пример open source проекта, который одновременно решает техническую проблему (недостаточное качество TTS для нестандартных акцентов) и этическую (инклюзивность голосовых ИИ-систем).

Ключевые выводы:

Для разработчиков: готовая к продакшену TTS-модель с телефонным режимом, Apache 2.0, без лицензионных отчислений
Для бизнеса: если ваша аудитория — южные штаты США или Африка, эта модель может кардинально изменить восприятие голосового ИИ
Для исследователей: уникальный датасет из 1800+ часов реальных телефонных звонков с согласия участников
Для сообщества: пример того, как коммерчески успешный продукт можно открыть в пользу экосистемы

Проект указывает на важную тенденцию: будущее голосового ИИ — не в одном «правильном» акценте, а в тысячах живых голосов, каждый из которых звучит как дом.