🎤 Qwen-TTS Nodes for ComfyUI

Ноды для интеграции Qwen3-TTS в ComfyUI с поддержкой эмоций и клонирования голоса

---

📋 Оглавление

• ✨ Особенности
• 🚀 Установка
• 🎯 Ноды
• 🎨 Пример Workflow
• 🔧 Параметры моделей
• 📁 Структура проекта
• ❓ Частые вопросы
• 📄 Лицензия

---

✨ Особенности

• 🎭 Поддержка эмоций - синтез речи с различными эмоциональными окрасками
• 🎤 Клонирование голоса - создание голосовых двойков из эталонных аудио
• 🌍 Многоязычность - поддержка русского, английского и других языков
• ⚡ Высокая производительность - оптимизация для CUDA и CPU
• 🎨 Гибкая настройка - тонкая регулировка параметров синтеза
• 🔄 Пакетная обработка - массовая генерация аудиофайлов

---

🚀 Установка

Метод 1: Через ComfyUI Manager (рекомендуется)

1. Откройте ComfyUI Manager
2. Перейдите в Custom Nodes Install → Install via Git URL
3. Введите URL: https://github.com/SLVGITHUB/QWEN3_TTS_DVA
4. Нажмите Install
5. Перезапустите ComfyUI

Метод 2: Ручная установка

# Клонируйте репозиторий в каталог custom_nodes
cd ComfyUI/custom_nodes
git clone https://github.com/SLVGITHUB/QWEN3_TTS_DVA.git

# Установите зависимости
pip install -r requirements.txt
# Или установите вручную
pip install qwen-tts soundfile openai-whisper faster_whisper

Требования

• Python 3.8+
• ComfyUI последней версии
• PyTorch 2.0+
• Видеокарта с поддержкой CUDA (рекомендуется) или CPU

---

🎯 Ноды

📦 Qwen TTS Loader

Загружает модель синтеза речи Qwen-TTS в память

Поддерживаемые модели:

• Qwen3-TTS-Base - для клонирования голоса
• Qwen3-TTS-CustomVoice - синтез по имени спикера
• Qwen3-TTS-VoiceDesign - синтез по текстовому описанию

Параметры:

• Точность вычислений: fp16, bf16, fp32
• Устройство: CUDA, CPU
• Тип внимания: стандартный, оптимизированный

---

🎤 Qwen TTS Generate

Генерирует речь из текста без референсного аудио

Особенности:

• Поддержка языков: русский, английский, китайский, японский и другие
• Эмоциональные пресеты: нейтральный, радостный, грустный, злой, испуганный
• Расширенные параметры: температура, top-p, длина сэмпла
• Для CustomVoice: указание имени спикера (например, "Vivian", "Alex", "Maya")

---

🎭 Qwen TTS Voice Clone

Клонирует голос из референсного аудиофайла

Требования:

• Входное аудио (референс) - WAV, MP3, FLAC
• Текст, произнесённый в аудио (ref_text)
• Новый текст для синтеза

Идеально для:

• Создания голосовых двойков
• Озвучки контента уникальным голосом
• Воссоздания исторических речей

---

📚 Qwen TTS Batch Generate

Генерирует несколько аудиофайлов за один запуск

Функционал:

• Разделение текста по указанному разделителю (по умолчанию "|")
• Параллельная или последовательная обработка
• Автоматическая нумерация файлов
• Поддержка разных параметров для каждого сегмента

---

💾 Qwen TTS Audio Saver

Сохраняет сгенерированное аудио на диск

Параметры сохранения:

• Формат: WAV (16-bit, 24kHz)
• Папка назначения: ComfyUI/output/tts/
• Автоматическая очистка имени файла
• Метаданные в JSON формате
• Перезапись или инкрементальное сохранение

---

🔀 Qwen TTS Emotion Mixer

Смешивает варианты с разными эмоциями

Применение:

• Создание сложных эмоциональных переходов
• Смешивание 70% "спокойного" + 30% "энергичного"
• Корректировка весов в реальном времени
• Нормализация суммы весов до 1.0

---

🎨 Пример Workflow

graph TD
    A[Qwen TTS Loader] --> B[Qwen TTS Generate]
    B --> C[Qwen TTS Audio Saver]
    
    D[Загрузка аудио] --> E[Qwen TTS Voice Clone]
    E --> C
    
    F[Текст с разделителями] --> G[Qwen TTS Batch Generate]
    G --> C
    
    H[Несколько эмоций] --> I[Qwen TTS Emotion Mixer]
    I --> C

Типичный сценарий использования:

1. Загрузите модель через Qwen TTS Loader
2. Сгенерируйте речь через Qwen TTS Generate
3. Настройте параметры сохранения в Qwen TTS Audio Saver
4. Запустите workflow

---

🔧 Параметры моделей

Рекомендуемые настройки

Параметр	Qwen3-TTS-Base	Qwen3-TTS-CustomVoice	Qwen3-TTS-VoiceDesign
Температура	0.6-0.8	0.7-0.9	0.7-0.9
Top-P	0.8-0.95	0.85-0.98	0.85-0.98
Длина сэмпла	2048	1024	1024

Поддерживаемые языки

• 🇷🇺 Русский (ru)
• 🇺🇸 Английский (en)
• 🇨🇳 Китайский (zh)
• 🇯🇵 Японский (ja)
• 🇰🇷 Корейский (ko)
• 🇫🇷 Французский (fr)
• 🇩🇪 Немецкий (de)
• 🇪🇸 Испанский (es)

---

📁 Структура проекта

QWEN3_TTS_DVA/
├── qwen_tts_comfy/
│   ├── nodes.py              # Основные ноды ComfyUI
│   ├── __init__.py
│   ├── requirements.txt      # Зависимости Python
│   └── README.md
├── examples/
│   ├── workflows/
│   └── audio_samples/
├── images/                   # Изображения для документации
└── LICENSE

---

❓ Частые вопросы

❓ Какую модель выбрать?

• Для клонирования голоса: Qwen3-TTS-Base
• Для готовых голосов: Qwen3-TTS-CustomVoice
• Для создания уникальных голосов: Qwen3-TTS-VoiceDesign

❓ Почему медленно работает на CPU?

Модели TTS требуют значительных вычислительных ресурсов. Рекомендуется использовать GPU с поддержкой CUDA.

❓ Как улучшить качество синтеза?

• Используйте более длинные референсные аудио для клонирования
• Экспериментируйте с параметрами температуры и top-p
• Используйте эмоциональные пресеты для выразительности

❓ Поддерживаются ли другие форматы аудио?

Входные аудио: WAV, MP3, FLAC, OGG Выходные аудио: WAV (стандарт), возможно конвертирование через дополнительные ноды

---

📄 Лицензия

Этот проект распространяется под лицензией MIT. Подробности см. в файле LICENSE.

---

🔗 Полезные ссылки

🌐 Официальный репозиторий Qwen3-TTS | 🤗 Модели на Hugging Face | 💬 Обсуждение проблем

---

🤝 Вклад в проект

Приветствуются:

• Сообщения об ошибках
• Предложения по улучшению
• Pull requests
• Примеры workflows

---

Создано с ❤️ для сообщества ComfyUI

⭐ Если вам нравится этот проект, поставьте звезду на GitHub!