ある時、私は自動取引プログラムで使用する音声読み上げシステムに取り組んでいました。生成された音声は、遅すぎると眠く感じられ、速すぎると焦っているように聞こえ、自然ではありませんでした。チームは様々な方法を試しましたが、実用時には常に問題が発生していました。今日は、タイ語の音声読み上げが自然な音になるまでどのように到達したか、そして犯したミスから何を学んだかをお話しします。
自然でない音声の問題
最初は、私とチームは既存のシステムを使用して金やフォレックスの取引データ用の音声読み上げを作成しようとしました。しかし、生成された音声は本当に適切ではありませんでした。様々な速度を試しましたが、毎回問題が発生しました。速すぎると、リスナーは眠くなってしまいます。取引データは常に読み上げ続ける必要があるからです。しかし、遅すぎると音声が自然でなくなり、明確さを必要とする金融データの読み上げには適していませんでした。時には、音声読み上げがロボットのように聞こえると顧客からメッセージを受けることもあり、これはiCafeFXアプリのユーザー体験に影響を与えるため、すぐに修正する必要がありました。
測定と初期実験
自然でない音声の問題を解決するために、私たちは文字あたりの読み上げ速度（CPS）を測定することから始めました。テキストを断片に分割し、読み上げに要する時間を測定しました。最初に試したのは338文字の長いテキストと403文字のテキストでした。Mac Mini M4 Pro上で開発したシステムを使用して様々な値を試し、結果を測定しました。データ収集には個人用データロガーを使用し、処理にはRTX 5060 Tiを使用しました。初期の実験結果は、実用的な適切な値にまだ到達していないことを示していました。
適切な値の探求
結果の出なかった初期実験の後、私たちは様々な値を詳細に試すことで適切なCPS値を探求し始めました。測定した実際のデータから、自然に聞こえる値は約13.6文字/秒であることがわかりました。これは最初に試した値よりもかなり低い値でした。しかし、この値が長期的に使用可能であることを確認する必要がありました。そのため、より大きなテキストを使用して追加実験を行い、値を詳細に調整しました。私たちのシステムにとって適切な値は14.91〜16.51文字/秒の範囲にあることがわかりました。これは日常の実用的な使用に適した値です。
システムの改善
適切なCPS値を得た後、私たちはシステムをさらに改善し始めました。FLUXモデルを使用して音声品質を調整し、Redhat MCP AIを使用して処理速度を改善しました。低いCPS値を使用すると音声が細かすぎる可能性がある問題を解決する必要がありました。また、一部の箇所で音声が不均一になる可能性のある問題も解決する必要があり、追加の音声処理を追加することでこれを修正しました。これにより、私たちの音声読み上げはより自然で均一になりました。特に複雑な取引データの読み上げに使用する場合に顕著です。
実世界での実装
適切なCPS値を得た後、私たちはそれをMetaTrader 5システムに適用しました。これは金やフォレックスの取引に使用しているシステムです。自然な音声で取引データを読み上げることで、トレーダーはデータをより簡単に追跡できるようになり、手動でデータを読むことによる疲労を軽減できます。ユーザーからは、音声読み上げがはるかに自然になったとのフィードバックを受けました。これにより、私たちのシステムとの作業がより快適になり、取引データの理解における誤りを効果的に減らすことができました。
教訓と次のステップ
この経験から、小さな調整がユーザー体験に大きな影響を与えることを学びました。特に、常に使用されるシステムで使用する音声に関してはそうです。また、詳細な実験と実際のデータに基づく結果の測定が非常に重要であることを学びました。将来、データの種類やユーザーの好みに応じてCPS値を自動的に調整できるシステムを開発するかもしれません。これにより、最高のユーザー体験を提供することを目指します。
実際に金取引を試してみたい方は、XMアカウントをこちらで開設できます：私たちのパートナーを通じてXMアカウントを開設
