diodiogod/TTS-Audio-Suite

解決する課題

TTS Audio Suiteは、複数のテキスト読み上げ（TTS）、ボイスチェンジ（VC）、自動音声認識（ASR）エンジンを単一のモジュール式ワークフローに統合する包括的なComfyUI拡張機能です。高品質な音声合成、ボイスクローン、字幕同期された音声生成のための統一インターフェースを提供することで、断片化されたオーディオAIツールの問題を解決します。

仕組み

このスイートは、モジュール式アーキテクチャを通じて、F5-TTS、Higgs Audio、MOSS-TTS、RVCなど、膨大な数のAIオーディオエンジンを統合しています。最新エンジン向けのTransformers 5ベースの「メイン環境」と、レガシーなスタックとの互換性を維持するための「分離ランタイム」を備えています。システムは、インラインの感情/スタイルタグ、キャラクター切り替え、および生成された音声を字幕タイミングと合わせるための特殊なSRT処理ノードなどの高度な制御メカニズムをサポートしており、インテリジェントなシフトロジックで重なりを防ぎます。

対象ユーザー

プロレベルのナレーション、正確な字幕同期、視覚的なノードベース環境内でのボイスクローンやカスタムRVCモデルのトレーニングを必要とするComfyUIユーザー、コンテンツクリエイター、アニメーター向けに設計されています。

ハイライト

• 膨大なエンジンサポート: F5-TTS、DramaBox、Higgs Audio、RVCを含む19以上のエンジンを統合。
• SRT統合: SRTへの書き起こし、字幕の再構築、プレーンテキストからのタイミング推定を行う専用ノード。
• 高度な音声制御: 感情、笑い声、ため息、韻律のためのインラインタグ、およびキャラクターや言語の切り替えをサポート。
• 音声デザインとトレーニング: リファレンス不要の音声デザインツールと統合されたRVCモデルトレーニング機能。
• サイレント音声分析: MediaPipeを使用して無音ビデオの口の動きを検出し、TTSの基本タイミングテンプレートを作成。
• オーディオツール: ボーカル/ノイズ除去、波形アナライザー、インテリジェントなテキストチャンキング機能を内蔵。