Hurston-1：電話回線最適化のアクセント英語音声合成（NB-TTS）

Hurston-1 は、顧客サービスや AI エージェントとの対話において主要な連絡手段である「電話番号」を前提とした **Narrowband Text-to-Speech **(NB-TTS) モデルです。 開発メンバーと AI 音声エージェントの間で実際に発生した電話通話を学習し、以下の機能を備えています。

• 発話者側の音源出力: 8 kHz の G.711 オーディオを生成し、Twilio やその他のテレフォニーシステムにそのまま接続可能です。
• 高品質オーディオ維持: デフォルトでは引き続き 24 kHz（高品質）のオーディオを提供します。

モデル概要と特徴

Hurston-1 は、Destined AI が構築した「Maya1」（Apache-2.0 ライセンス）のファインチューニング版であり、以下の点で調整されています。

• 対応アクセント: 南部アメリカン、ナイジェリアン、西アフリカン、東アフリカン、南アフリカンなど、従来のシステムで扱いが難しかった英語のアクセントに対応。
• 幅広い発音: より多様な アメリカン・イングリッシュを正確に発音します。
• オープンソース初号: Destined AI の ClarityVoice ファミリーにおいて、初のオープンソースモデルです。

命名の由来 アトランタで構築されたこのプロジェクトは、人類学者で作家である **ゾーラ・ニーリー・ハーストン **(Zora Neale Hurston) にちなんで命名されました。彼女は南部を旅し、黒人南部人の声や物語、歌、話し方を記録しました。私たちは彼女の業績に敬意を表し、彼女が保持する価値を見出さなかった声をオープンモデルとして公開しています。

使用方法とコマンド例

基本的なインストール手順と実行方法です。

インストール

pip install torch transformers snac soundfile scipy speechbrain  # speechbrain は --check オプション使用時に必要

基本合成（24 kHz / スタジオ品質）

デフォルトの高品質オーディオを生成します。

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

電話モード合成（8 kHz / G.711）

発話者が実際に電話で耳にする音源を生成します。

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 による利用

from hurston import Hurston, describe

tts = Hurston('.', check=True)          # check=True: 音声品質の劣化を検出し自動再試行
wav = tts("Well hey there, thanks for calling.", 
          describe('Male', 'adult', 'Southern American accent'))

声の記述（Description）

モデルは「性別、年齢、アクセント、スタイル、ペース」のパラメータで学習されており、以下のように入力可能です。

Female

Male

adult

middle-aged

older

Southern American accent

Nigerian English accent

West African English accent

clear conversational voice

casual conversational voice

clear audiobook narration voice

natural pacing

slow pacing

fast pacing

• ペースの基準:
  • ゆっくりめ: 2 ワード/秒未満
  • measured（穏やか）: 2～2.6 ワード/秒
  • natural（自然）: 2.6～3.4 ワード/秒
  • fast（速い）: 3.4 ワード/秒以上
• 注意点: Hurston-1 は声をクローンする機能ではなく、記述に合う新しい声をサンプリングします。

アクセント一覧

• American accent（一般アメリカン）
• Southern American accent（南部アメリカン）
• Nigerian English accent（ナイジェリアン英語）
• Nigerian (Yoruba) / Igbo English accent（イオバ・イボ方言英語）
• West African / East African / Southern African English accent
• East African (Swahili) English accent

電話回線向け NB-TTS の仕組み

多くの音声 AI がスタジオ品質を強調するのに対し、Hurston-1 は実際の電話回線のために設計されています。

• 学習データの質: フル・デュプレックス AI エージェントとの実際の電話通話を約 10 時間（250 名の貢献者）使用。
• 電話モード

  --phone

  の動作:
  • 出力を 300 Hz から 3,400 Hz の電話帯域にフィルタリング。
  • 8 kHz にリサンプリング。
  • ITU-T G.711 (mu-law) エンコード（

    --codec alaw

    で A-law も利用可能）。
  • Twilio や SIP ネットワークで使用可能な形式へ変換されます。
• ストリーミング対応:

  ulaw_encode()

  メソッドは、Twilio のメディアストリームが期待するペイロード（8 kHz mu-law バイト）を直接返します。

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)   # Twilio 用 base64 エンコード済み

評価結果と性能

Hurston-1 は「アクセントが似ているか」と「単語が正確か」の 2 つを基準に評価されています。

アクセント識別度（アフリカ系・南部アメリカンの判定率）

• 結論: Hurston-1 は特定のアクセントを非常に高い確率で識別可能で、汎用的なアメリカン・イングリッシュとの区別が明確です。

単語エラーレート (WER)

日常の文（自然なペース、ワンテイク）における精度：

• Maya1 ベース: 平均 WER 0.02
• Hurston-1: 平均 WER 0.03

困難な文（見覚えのない内容を含む）においても、

--check

• 発話速度は自然なペースで 2.84 ワード/秒（ベースモデルの 3.76 よりやや遅め）。
• 盲目的聴取テスト: Hurston-1 は、実在する人の声として選ばれる確率が 78% で、ベースモデルの 6% を大幅に上回りました。

適用シナリオとデータ拡張

おすすめな用途

• ASR テストデータの構築: アクセント多様なテストセットを生成し、認識システムの弱点を確認します。
• **音声エージェント **(IVR) 顧客や患者の側から数十通の合成コールを送り、システムのエラー箇所（人名、数字の聞き間違いなど）を発見します。
• トレーニングデータ拡張: ASR やウェイクワード検出に用いる特定のアクセント不足データを補填します。
• アナウンスとプロンプト: 電話メニュー、店舗案内、アプリオンボーディングで地域特有の声を使いこなします。
• 教育・アクセシビリティ: アクセント慣れトレーニングや、読みやすい朗読ツールとして活用可能です。
• メディア作成: ポッドキャストのドラフトやアニメーションの背景音声として合成音源を使用します。

現時点での不向きな用途

• ブランドボイスの一貫性: セッション間で声が変わるため、長期的な一貫したキャラクターの声には向いていません（今後のリリース予定）。
• 声クローニング: 特定の個人の声の再現は行っていません。
• セキュリティ要件が高いタスク: 人間の聴取なしに安全が保証されるべき業務では使用しないようにしてください。

トレーニングデータとライセンス

Hurston-1 は Maya1 の LoRA ファインチューニング版です。学習には以下のデータソースを使用しました。

• 注記: Destined AI の全コーパス（2021 年以降の 1,800+ 時間）の一部のみを使用しており、残りは今回のリリースには含まれません。
• クレジット: モデルは Apache-2.0 ライセンスで公開されています。

制限事項と注意点

利用にあたって以下の点にご注意ください。

• 声の一貫性なし: 各通話は記述に合う新しい声です。長文はチャンクごとに声が変わることがあります。
• 数値・人名への脆弱性:

  --check

  オプションを使用し、必ず聴取して確認してください。
• アクセントラベルの粒度: 「アフリカ系英語」などの一般的なラベルでは精度が下がるため、より具体的な地域指定（例：Nigerian, Nigerian (Igbo)）をご利用ください。
• 言語対応: 英語のみに対応しており、子供の声は含まれません。
• 電話モードの挙動: チャネル帯域を制限するものの、会話様式（ターンテイク、バックチャンネル反応など）やインタラクション機能は実装されていません。
• 出力調整: 全声で音量が統一され、0.5 秒を超えるポーズは自動的に短縮されます。

今後の予定と責任ある利用

次なるステップ

• テレフォニーネイティブ TTS: 自然なターンテイクや「mm-hm」などの通話特有の挙動を持つモデルの開発。
• 一貫した声: ブランド名前で統一された声を呼び出せる機能の実装。

責任ある利用について

Hurston-1 を使用して実在する人をなりすまし、聴衆を欺くか詐欺を働いてはいけません。また、発話者が人工的なものであることを聴衆に明確に示してください。

引用とライセンス情報

ライセンス構成

• モデル: Apache-2.0 (Maya Research による Maya1 から派生)
• 音声コーデック: MIT / 公開標準 (ITU-T G.711)
• チェック機能: MIT (Whisper), Apache-2.0 (ECAPA スピーカーエンベディング)
• トレーニングデータ: CC BY 4.0, CC0, Destined AI 所有

BibTeX 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}
}