chenpipi0807/ComfyUI-Index-TTS

解决的问题

该项目为 ComfyUI 提供了一组自定义节点，实现高保真文本转语音（TTS）转换。用户可从一段短参考音频中克隆语音特征，并对语言、语速和情感进行精确控制，解决了在节点化工作流中创建自然、多语言且富有情感表达的合成语音的难题。

工作原理

该项目将 IndexTTS 系列模型（1.5、2 和 2.5 版本）实现为 ComfyUI 节点。通过参考音频文件提取说话人嵌入，并结合输入文本进行语音合成。

关键技术机制包括：

• 多模型支持：集成 IndexTTS-2.5、2 和 1.5。
• 情感控制：三种情感引导方式：使用参考情感音频片段、调整 8 维情感向量（如快乐、愤怒、悲伤），或提供情感的文本描述（由 Qwen 情感模型驱动）。
• 发音控制：在 2.5 版本中，用户可直接在文本中插入特定音标标记（中文用拼音，英文用 CMU 音素，日文用片假名）以纠正发音。
• 小说解析：专用的「小说文本结构」节点，可自动识别故事中的角色与叙述者，并为不同角色分配不同声音。
• 音频清理：集成的 Audio Cleaner 节点，用于去除输出中的混响和噪声。

适用人群

• 内容创作者：制作有声书、播客或视频，需要一致且高质量语音克隆的人。
• ComfyUI 用户：AI 艺术家和开发者，希望在生成流程中集成专业级 TTS 的人。
• 故事讲述者：希望为小说或剧本生成多角色对话的用户。

核心亮点

• 跨语言克隆：使用中文参考音频生成英文、日文、西班牙文或阿拉伯文语音（IndexTTS-2.5）。
• 精确速度控制：原生支持 duration_factor 调整语速，不牺牲音质。
• 多角色支持：专用节点用于解析小说文本，支持最多五位不同角色声音及一位叙述者。
• 灵活情感调节：支持基于向量的滑块与自然语言情感描述两种方式。
• uma 内存管理：提供 Cache Control 节点，可切换模型是否常驻内存，以管理 VRAM 使用量。