مدل متن‌به‌گفتار Hurston-1؛ سنتز صوتی با لهجه‌های محلی برای تماس‌های تلفنی

معرفی Hurston-1 و زمینه پیدایش آن

مدل Hurston-1 یک مدل متن‌به‌گفتار (TTS) متن‌باز تحت مجوز Apache-2.0 است که به‌طور ویژه برای پوشش لهجه‌هایی که سیستم‌های هوش مصنوعی معمولاً در آن‌ها ضعیف عمل می‌کنند توسعه یافته است. این مدل توسط استارتاپ Destined AI در آتلانتا ساخته شده و تمرکز اصلی آن بر لهجه‌های جنوب ایالات متحده و لهجه‌های منطقه‌ای انگلیسی در آفریقا (مانند نیجریه) است. نام این پروژه ادتایی به «زورا نیل هرستون»، انسان‌شناس و نویسنده‌ای است که در گذشته فرهنگ و زبان سیاه‌پوستان جنوب آمریکا را مستندسازی کرده بود.

بسیاری از سیستم‌های مدرن TTS لهجه‌های خاص را به انگلیسی عمومی و یکدست تبدیل می‌کنند. تیم سازنده با جمع‌آوری داده‌های صوتی از بیش از ۲۰ هزار نفر و حدود ۱۸۰۰ ساعت صوت از سال ۲۰۲۱، توانسته است نسخه‌ای دقیق‌تر و فراگیرتر ارائه دهد. این مدل در واقع یک فین‌تیون روی مدل پایه‌ی Maya1 است.

جزئیات فنی و قابلیت‌های کلیدی

مدل Hurston-1 از مفهوم NB-TTS یا Narrowband TTS استفاده می‌کند؛ یعنی خروجی خود را برای خطوط تلفن و مراکز تماس بهینه‌سازی کرده است:

• حالت تلفنی (Phone Mode): خروجی صوتی را روی فرکانس ۳۰۰ تا ۳۴۰۰ هرتز فیلتر کرده، به نرخ نمونه‌برداری ۸ کیلوهرتز می‌برد و با فرمت G.711 mu-law (مشابه استانداردهای Twilio و سیستم‌های SIP) کدگذاری می‌کند.
• موتور بررسی کیفیت: با استفاده از ابزارهایی مانند Whisper و SpeechBrain (--check)، تلفظ‌ها را اعتبارسنجی می‌کند تا خطاهای احتمالی کاهش یابد.
• پارامترهای توصیفی: مدل از طریق توضیحات متنی ساده مانند جنسیت، سن، لهجه، سبک و سرعت هدایت می‌شود (به عنوان مثال: describe('Female', 'older', 'Nigerian English accent')).

برای استفاده از مدل کدهای زیر نمونه‌ای از نحوه‌ی راه‌اندازی و اجرای آن را نشان می‌دهند:

pip install torch transformers snac soundfile scipy speechbrain
from hurston import Hurston, describe

tts = Hurston('.', check=True)
wav = tts(
    "Well hey there, thanks for calling.",
    describe('Male', 'adult', 'Southern American accent')
)

محدودیت‌های فعلی

• عدم ثبات صدا در طول مکالمه: هر بخش از متن ممکن است صدای متفاوتی تولید کند و امکان شبیه‌سازی یا کلون‌کردن دقیق یک صدای ثابت برای پادکست‌های طولانی وجود ندارد.
• نام‌ها و اعداد: پردازش اسامی خاص یا اعداد همچنان چالش‌برانگیز است و نیاز به بررسی انسانی دارد.
• محدودیت زبانی: مدل فقط از زبان انگلیسی پشتیبانی می‌کند.

چرا این پروژه برای توسعه‌دهندگان اهمیت دارد؟

برای توسعه‌دهندگانی که روی سیستم‌های IVR، عوامل صوتی هوش مصنوعی (AI Voice Agents) و سامانه‌های تشخیص گفتار (ASR) کار می‌کنند، Hurston-1 کاربردهای فراوانی دارد:

• تولید داده‌های تستی: ارزیابی سیستم‌های ASR در برابر طیف وسیعی از لهجه‌ها پیش از انتشار نهایی.
• شبیه‌سازی تماس‌گیرندگان: ترکیب با مدل‌های زبانی بزرگ (LLM) برای ساخت سناریوهای تستی تماس مشتریان با ربات‌های تلفنی.
• افزایش کیفیت ربات‌های پاسخگو: کمک به دستیاران صوتی تا با صدایی نزدیک‌تر به جامعه‌ی هدف و در بستر واقعی تلفن صحبت کنند.

نگاه جامعه هکرنیوز

در بحث‌های هکرنیوز، توسعه‌دهندگان از توجه به لهجه‌های محلی و کمترپشتیبانی‌شده تمجید کردند. برخی کاربران اشاره کردند که تنوع زبانی در آفریقا بسیار زیاد است و مدل‌های زبانی و صوتی می‌توانند از چنین پایگاه داده‌های غنی‌تری بهره‌مند شوند. همچنین حضور این مدل در اکوسیستم متن‌باز به عنوان گامی روبه‌جلو برای عدالت زبانی در فناوری ارزیابی شد.