为电话构建的口音英语文本转语音，由简单语言的声音描述引导。Hurston-1 引入了 NB-TTS（基带 TTS）：为电话线制作的文本转语音，大多数客户服务仍在此进行，即使对方是人工智能代理。它部分通过我们贡献者与 AI 语音代理之间的真实电话通话学习，其电话模式提供了来电者实际听到的内容：8 kHz G.711 音频，适用于 Twilio 和其他电话系统。完整的 24 kHz 音频仍然是默认选项。Hurston-1 是由 Destined AI 构建的 Maya1 (Apache-2.0) 的微调版本，专门用于处理大多数 TTS 系统表现不佳的英语口音：南方美语、尼日利亚英语、西非英语、东非英语、南非英语，以及更广泛的美式英语。这是 Destined AI 的 ClarityVoice 家族中的第一个开源模型。pip install torch transformers snac soundfile scipy speechbrain # speechbrain 仅在 --check 时需要 python hurston.py --model . --check --accent "尼日利亚英语口音" --gender 女 --text "下午好。请饭后每天吃一片药。" --out hello.wav # 来电者听到的内容：8 kHz G.711 mu-law WAV python hurston.py --model . --check --phone --accent "南方美语口音" --gender 男 --text "谢谢来电，请问我今天能帮您什么？" --out call.wav 从 hurston 导入 Hurston，描述 tts = Hurston( '.' , check= True ) # check=True 重试 Whisper 无法跟随的内容或语音变化 wav = tts( "嗯，你好，谢谢你的来电。" , 描述( '男' , '成人' , '南方美语口音' )) 南方有话要说 1995 年，André 3000 在 Source Awards 的舞台上，面对着对 OutKast 嘘声的观众，说道：“南方有话要说。”我们认为这句话仍然适用。Hurston-1 是在亚特兰大由一个小型独立团队打造的。自 2021 年以来，我们一直在录制来自美国南部和非洲各地的同意付费贡献者。这些声音是大多数 AI 系统仍然将其压成普通美式英语的。没有人给我们提供融资来完成这个项目，因此我们靠自己构建它。这些声音在 AI 中占有一席之地，现在它们有了一个开源模型。我们以 Zora Neale Hurston 的名字命名。她在佛罗里达州 Eatonville 长大，接受人类学训练，并旅行南方记录黑人南方人士的真实言语：他们的故事、歌曲和话语，在那个时期，少数机构认为那些声音值得保留。我们的工作是她工作的一个小回音。这个名字是对她的致敬；并不意味着她的遗产支持。 听南方 几句人们在亚特兰大实际说的话。全是合成的；每个声音都是根据描述生成的。 语音 听 "南方有话要说。" 男，南方美语口音，清晰对话 "在 Peachtree 上见面。不，不是那个 Peachtree，另一个。" 女，南方美语口音，随意对话 "我准备出发，285 号公路的交通已经堵起来了。" 男，南方美语口音，随意对话 "你来自亚特兰大的哪个地方？" 女，南方美语口音，随意对话 每种口音的更多示例在 demo/（说明和文本在 demo/demos.csv 中）。 语音描述 模型基于如下格式的描述进行训练 性别、年龄、口音、风格、语速：字段值 性别 女，男 年龄 成人，中年，年长 口音 美式口音，南方美语口音，尼日利亚英语口音，尼日利亚（约鲁巴）英语口音，尼日利亚（伊博）英语口音，西非英语口音，东非英语口音，东非（斯瓦希里）英语口音，南非英语口音 风格 清晰对话语音，随意对话语音，清晰的有声读物叙述语音 语速 自然语速，适中语速，慢速，快速 语速标签是从训练数据中的自然人声学习到的绝对说话速率：大约慢速每秒少于 2 个单词，适中 2 到 2.6，每秒自然 2.6 到 3.4，快速超过 3.4。该模型大致符合这些速度，但并不是完全一样。它仍然与基础数据集的行为高度匹配。每次调用会生成符合描述的新声音。 注意：Hurston-1 不会克隆声音，也没有经过训练去重现任何真实的人。 为电话而建（NB-TTS） 大多数语音 AI 以录音室质量演示，然后通过电话线部署。Hurston-1 为实际听到的地方而构建：基于真实通话训练。大约 10 小时的训练音频（来自 250 位贡献者的 7,600 个回合）是来自与全双工 AI 语音代理的真实通话的电话质量语音，此外还有录音室风格的阅读和对话。 电话模式。 --phone（或 phone=True）将输出过滤到 300 到 3,400 Hz 电话频段，重采样为 8 kHz，并编码为 G.711 mu-law（--codec alaw 用于 A-law），这是电话网络、SIP 和 Twilio 使用的格式。这是在合成后应用的通道效应，因此 --check 仍然会评估全质量结果。准备好流式传输。