허스턴-1, 남부 미국·아프리카 영어 억양 살린 오픈소스 TTS로 공개

Destined AI가 허깅페이스에 공개한 허스턴-1(Hurston-1)은 전화 통화 환경을 겨냥해 만든 영어 음성합성(TTS) 오픈 모델이다. 기존 TTS가 제대로 다루지 못했던 지역별 영어 억양을 대상으로 하며, 같은 모델에서 일반 음질과 전화망 음질을 모두 뽑아낼 수 있게 설계됐다. 라이선스는 Apache-2.0이고, 기반 모델은 Maya1을 파인튜닝한 것이다.

지원하는 억양은 미국 남부, 나이지리아, 서아프리카, 동아프리카, 남아프리카 영어에 더해 폭넓은 미국식 영어까지 포함된다. 음성은 별도 학습 없이 자연어 설명으로 지정한다. 명령줄에서 억양과 성별을 문장처럼 적어주면 그에 맞는 목소리가 만들어진다. 모델 자체는 약 33억 개 파라미터를 BF16 safetensors 형식으로 담고 있으며, 아키텍처는 llama 계열을 따른다.

이 모델의 특징은 협대역 TTS, 즉 NB-TTS를 전면에 내세운 점이다. 전화 플래그를 켜면 8kHz G.711 mu-law WAV로 음성이 출력돼 트윌리오 같은 텔레포니 시스템에 곧바로 물릴 수 있다. 플래그를 켜지 않으면 기본값인 24kHz 음성이 나온다. 고객 응대의 상당 부분이 여전히 전화선에서 이뤄지고, 그 상대가 AI 에이전트인 경우도 늘었다는 문제의식이 배경에 깔려 있다.

학습 데이터에는 기여자들과 AI 음성 에이전트가 실제로 주고받은 통화가 일부 포함됐다. 전화선에서 실제로 들리는 소리를 목표로 삼은 셈이다. 사용법은 간단하다. torch, transformers, snac, soundfile, scipy를 설치하고 스크립트에 모델 경로와 억양, 성별, 대본, 출력 파일을 넘기면 된다. 검증 모드에서는 위스퍼가 알아듣지 못하거나 목소리가 중간에 바뀐 테이크를 자동으로 다시 시도한다.

실무적으로는 음성 봇의 억양을 코드 한 줄로 바꿀 수 있다는 점이 눈에 띈다. IVR이나 콜센터 자동 응답, 예약 안내처럼 전화 채널을 쓰는 서비스에서 별도 음성 배우를 섭외하거나 상용 TTS 벤더의 억양 카탈로그에 의존하지 않고 자체 호스팅으로 목소리를 구성할 수 있다. 8kHz 출력을 기본 제공한다는 것은 업샘플링이나 코덱 변환 단계를 줄일 수 있다는 뜻이기도 하다.

다만 허깅페이스 저장소는 게이트 모델로 설정돼 있어, 파일을 내려받으려면 계정으로 조건에 동의해야 한다. 지원 언어는 영어로 한정되며, 억양 표현의 품질은 검증 모드가 걸러내는 수준의 편차를 전제로 한다. 공개 직후라 커뮤니티 피드백과 파생 작업은 아직 적은 편이다.