Présentation

Hurston-1 est un modèle de synthèse vocale open source dédié aux appels téléphoniques. Il s’appuie sur le modèle Maya1 (licence Apache‑2.0) et ajoute la prise en charge de plusieurs variantes d’anglais : Southern American, Nigerian, West African, East African, Southern African et l’anglais américain standard. Le projet, développé par Destined AI à Atlanta, repose sur plus de 10 heures d’enregistrements réels (7 600 tours de parole) provenant de 250 contributeurs rémunérés, dont une partie a été capturée en conditions téléphoniques.

Architecture et mode téléphonique

Le modèle fonctionne en deux étapes. D’abord, il génère un signal audio à 24 kHz, puis, si l’option --phone est activée, il applique un filtre bande 300‑3400 Hz, le rééchantillonne à 8 kHz et l’encode au format G.711 mu‑law (ou A‑law). Cette chaîne de traitement, appelée NB‑TTS (Narrowband TTS), reproduit exactement ce que l’on entendrait sur une ligne téléphonique classique et est compatible avec les systèmes SIP, Twilio et autres plateformes de téléphonie.

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

Le même flux peut être transmis directement à Twilio grâce à la fonction ulaw_encode(), qui renvoie les octets mu‑law bruts :

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)  # 8 kHz mu‑law bytes

Performances et évaluation

Pour mesurer la fidélité d’accent, les auteurs ont comparé Hurston-1 à Maya1 sur 10 phrases, 18 voix et 180 extraits par modèle. Un classifieur d’accent (africain vs américain) n’a pas distingué le Southern American du général American, ce qui indique que la différenciation repose davantage sur l’écoute humaine que sur un signal acoustique clairement séparé. L’intelligibilité a été évaluée avec Whisper large‑v3‑turbo : le taux d’erreur de mots (WER) a été calculé après normalisation des nombres, les valeurs plus faibles indiquant une meilleure correspondance texte‑parole.

Applications et limites

Hurston-1 se prête à plusieurs usages : génération de jeux de données d’entraînement pour la reconnaissance vocale, simulation d’appels pour tester des agents conversationnels, augmentation de corpus ASR avec des accents sous‑représentés, création de messages IVR, supports éducatifs pour la familiarisation aux variantes d’anglais, et recherche sur l’équité des systèmes de parole. Chaque appel génère une voix synthétique nouvelle, ce qui empêche la création d’une voix de marque constante et exclut le clonage d’individus réels. Le modèle n’est donc pas recommandé pour des scénarios critiques sans supervision humaine.