Hurston-1: Khi TTS mã nguồn mở học cách nói tiếng Anh của miền Nam nước Mỹ và châu Phi

Destined AI vừa công bố Hurston-1, một mô hình chuyển văn bản thành giọng nói (TTS) mã nguồn mở theo giấy phép Apache-2.0. Điểm khác biệt của mô hình này nằm ở chỗ nó tập trung vào các giọng tiếng Anh vùng miền mà phần lớn hệ thống TTS thương mại vẫn đang "làm phẳng" thành một giọng Mỹ chung chung.

Hurston-1 là bản tinh chỉnh (fine-tune) từ Maya1, được xây dựng bởi một nhóm nhỏ tại Atlanta với mục tiêu đưa những giọng nói ít được đại diện vào thế giới AI.

Vì sao lại là giọng vùng miền?

Đa số các mô hình TTS hiện nay xử lý tốt tiếng Anh Mỹ chuẩn nhưng lại gặp khó khăn với các giọng như miền Nam nước Mỹ, Nigeria, Tây Phi, Đông Phi hay Nam Phi. Hurston-1 được huấn luyện để lấp khoảng trống này.

Nhóm phát triển cho biết từ năm 2021 họ đã thu thập dữ liệu giọng nói có sự đồng ý và trả phí từ hơn 20.000 người, với hơn 1 triệu bản ghi âm và trên 1.800 giờ âm thanh. Riêng mô hình này sử dụng khoảng 136 giờ dữ liệu để tinh chỉnh Maya1.

Tên mô hình được đặt theo Zora Neale Hurston, nhà nhân học người Mỹ gốc Phi từng ghi lại cách nói, câu chuyện và bài hát của người da màu ở miền Nam nước Mỹ vào đầu thế kỷ 20 — thời điểm mà rất ít tổ chức cho rằng những giọng nói đó đáng được lưu giữ.

Thiết kế cho... điện thoại

Điểm đáng chú ý là Hurston-1 không nhắm tới chất lượng phòng thu. Đây là mô hình NB-TTS (Narrowband TTS) — tức TTS băng hẹp, tối ưu cho chất lượng thoại qua điện thoại.

Phần lớn AI giọng nói được demo ở chất lượng phòng thu rồi lại triển khai qua đường dây điện thoại. Hurston-1 được xây dựng cho nơi nó thực sự được nghe.

Cụ thể, chế độ điện thoại (--phone) sẽ lọc đầu ra về dải tần 300–3.400 Hz, lấy mẫu lại ở 8 kHz và mã hóa theo chuẩn G.711 mu-law (hoặc A-law) — đúng định dạng mà mạng điện thoại, SIP và Twilio sử dụng. Khoảng 10 giờ trong dữ liệu huấn luyện là các cuộc gọi thật giữa người đóng góp và các tác nhân AI giọng nói song công (full-duplex).

Theo tác giả, mô hình đã được dùng để phục vụ các khách hàng như Amazon và Salesforce, tạo ra hơn nửa triệu USD doanh thu trước khi được mở mã nguồn.

Đánh giá chất lượng

Nhóm phát triển công bố hai phép đo chính: độ giống giọng vùng miền và độ rõ ràng của từ ngữ.

Về độ giống giọng, một bộ phân loại giọng (phân biệt tiếng Anh gốc Phi và tiếng Anh Mỹ) cho thấy Hurston-1 vượt trội rõ rệt so với Maya1 gốc. Ví dụ, với giọng Nam Phi, xác suất được đánh giá là "gốc Phi" tăng từ 0,60 lên 0,95; với giọng Đông Phi (Swahili), từ 0,81 lên 0,97.

Về độ rõ ràng, chỉ số WER (Word Error Rate) do Whisper large-v3-turbo đo được ở mức 0,03 trên các câu thông thường — gần tương đương Maya1 gốc (0,02), nhưng lại thực sự tạo ra được giọng vùng miền. Trên bộ câu khó hơn, chế độ --check giúp giảm WER từ 0,145 xuống 0,062.

Trong một thử nghiệm nghe mù, người tham gia chọn Hurston-1 là giọng giống người thật hơn với đúng vùng miền yêu cầu trong 78% trường hợp, so với 6% của Maya1 gốc.

Những giới hạn cần biết

Hurston-1 vẫn còn một số hạn chế đáng lưu ý:

• Không giữ được giọng nhất quán giữa các lần gọi — mỗi lần tổng hợp là một giọng mới phù hợp với mô tả, nên chưa phù hợp để làm podcast hay xây dựng giọng thương hiệu.
• Không hỗ trợ nhân bản giọng nói (voice cloning).
• Tên riêng, ngày tháng và con số là nội dung yếu nhất, cần nghe kiểm tra trước khi đưa vào sản phẩm quan trọng.
• Chỉ hỗ trợ tiếng Anh, không có giọng trẻ em.
• Nhãn giọng "châu Phi chung" kém chính xác hơn, nên dùng nhãn vùng miền cụ thể.

Ứng dụng thực tế

Theo tài liệu của mô hình, Hurston-1 phù hợp cho nhiều bài toán:

• Tạo dữ liệu kiểm thử cho hệ thống nhận dạng giọng nói (ASR) trên nhiều vùng miền khác nhau.
• Giả lập người gọi để kiểm thử các tác nhân AI và tổng đài IVR trước khi triển khai thật.
• Tăng cường dữ liệu huấn luyện cho ASR, đánh thức bằng giọng nói ở những vùng miền còn thiếu dữ liệu.
• Thông báo và menu thoại cho tổng đài, nhắc lịch hẹn, thông báo công cộng.
• Giáo dục và luyện nghe các biến thể tiếng Anh trên thế giới.
• Hỗ trợ trợ năng — đọc to bài viết, biểu mẫu bằng giọng gần gũi hơn.

Mô hình có sẵn trên Hugging Face với kích thước 3B tham số (BF16). Nhóm phát triển cho biết phiên bản tiếp theo đang được xây dựng, hướng tới TTS "bản địa cho điện thoại" — biết cách trò chuyện như người thật trên cuộc gọi, có nhịp hội thoại tự nhiên và giọng nhất quán xuyên suốt.

Với cộng đồng phát triển tại Việt Nam, Hurston-1 là một ví dụ đáng tham khảo về cách xây dựng mô hình giọng nói mã nguồn mở cho ngôn ngữ và vùng miền ít tài nguyên — một hướng đi mà các dự án TTS tiếng Việt cũng có thể học hỏi, đặc biệt là việc tối ưu riêng cho chất lượng thoại qua tổng đài và ứng dụng chăm sóc khách hàng.