有一次，我正在为自动交易程序开发语音合成系统。生成的声音要么太慢让人昏昏欲睡，要么太快显得仓促不自然。我们团队尝试了多种方法，但每次实际使用时总会遇到问题。今天我想分享一下，我们是如何让泰语语音合成听起来更自然的，以及我们从这些错误中学到了什么。
语音朗读不自然的问题
一开始，我和团队尝试使用现有的系统来生成黄金和外汇交易数据的语音朗读，但生成的声音并不理想。我们尝试调整不同的速度，但每次都有问题。声音太慢会让听众昏昏欲睡，因为交易数据需要持续不断地播报；但如果声音太快，又会显得不自然，不适合需要清晰度的金融数据朗读。有时我们还会收到客户的反馈，说语音听起来像机器人在念，这是我们急需解决的问题，因为它影响了 iCafeFX 应用的用户体验。
初步测量与测试
为了解决语音朗读不自然的问题，我们开始测量以每秒字符数（CPS）为单位的朗读速率。我们将文本分成若干片段，然后测量每个片段的朗读时间。我们首先尝试的是一段 338 个字符的文本，另一段是 403 个字符。我们调整了各种参数并测量结果，使用的是我们在 Mac Mini M4 Pro 上开发的系统，配有个人数据采集器作为数据存储，以及 RTX 5060 Ti 用于处理。初步实验结果表明，我们还没有找到适合实际使用的合适数值。
寻找合适的数值
在初步实验未能取得理想结果后，我们开始通过详细测试各种数值来寻找合适的 CPS 值。根据我们实际测量的数据，听起来自然的速率约为每秒 13.6 个字符，远低于我们最初测试的数值。但我们必须确保这个数值能够长期使用，因此我们使用更大的文本进行了更多实验，并仔细调整了各种参数。我们发现适合我们系统的合适数值在每秒 14.91 到 16.51 个字符之间，这是一个可以在日常工作中实际使用的范围。
系统改进
在找到合适的 CPS 值后，我们开始进一步改进系统。我们使用 FLUX 模型来提升音质，同时利用 Redhat MCP AI 来提高处理速度。我们需要解决在使用较低 CPS 值时声音可能过于粗糙的问题。此外，我们还需要解决声音在某些部分可能不一致的问题，我们通过增加辅助音频处理来解决这个问题，使我们的语音朗读更加自然和一致，特别是在朗读复杂的交易数据时。
实际应用
在找到合适的 CPS 值后，我们将其应用于我们的 MetaTrader 5 系统，这是我们用于黄金和外汇交易的系统。用自然的声音朗读交易数据帮助交易者更容易地跟踪信息，并减少了手动阅读数据的疲劳感。我们收到用户的反馈，说语音朗读听起来自然多了，使使用我们的系统变得更加舒适，同时也有效减少了理解交易数据时的错误。
经验教训与下一步
从这次经验中，我们学到了细微的参数调整可能会对用户体验产生重大影响，特别是对于需要持续使用的系统中的语音。我们还学到了详细实验和根据实际数据测量结果的重要性。未来，我们可能会开发系统使其能够根据数据类型或用户偏好自动调整 CPS 值，以提供最佳的使用体验。
对于想要尝试真实黄金交易的人，可以通过以下链接开设 XM 账户：通过我们的合作伙伴开设 XM 账户
