中文 | English
Step-Audio-TTS 的 ComfyUI 节点, 文本转语音, 可说话, 唱歌, RAP, 或者克隆声音.
更新
[2025-03-06]⚒️: 新增录音节点 MW Audio Recorder 可用麦克风录制音频, 进度条显示录制进度:
| 参数名/Parameter | 作用描述/Description | 范围/Range | 注意事項/Notes |
|---|---|---|---|
| trigger | 录音触发开关 - 设为True开始录音 Recording trigger - Set to True to start recording |
Boolean (True/False) | 需要从False切到True才能触发 Requires changing from False to True to activate |
| record_sec | 主录音时长（秒） Main recording duration (seconds) |
1-60 (整数/integer) | 实际时长 Actual duration |
| n_fft | FFT窗口大小（影响频率分辨率） FFT window size (affects frequency resolution) |
512,1024,...,4096 (512倍数/multiplies) | 值越大频率分辨率越高 Higher values give better frequency resolution |
| sensitivity | 降噪灵敏度（值越高越激进） Noise reduction sensitivity (higher=more aggressive) |
0.5-3.0 (步长0.1/step 0.1) | 1.2=标准办公室环境 1.2=standard office environment |
| smooth | 时频平滑系数（值越高越自然） Time-frequency smoothing (higher=more natural) |
1,3,5,7,9,11 (奇数/odd numbers) | 建议语音：5，音乐：7 Recommended: 5 for speech, 7 for music |
| sample_rate | 采样率（影响音质与文件大小） Sampling rate (affects quality & size) |
16000/44100/48000 Hz | 44100=CD音质 44100=CD quality |
[2025-03-02]⚒️: 增加实验性的 custom_mark, 用 "()" 包围例如 (温柔)(东北话), 它可能会有效.
[2025-02-25]⚒️: 支持自定义说话者 custom_speaker. 但注意下图三个地方必须保持一致的说话者名称. 自定义时 speaker 将自动无效.
为了不影响更新, 不得不将 Step-Audio-speakers 文件夹移动到 ComfyUI\models\TTS 文件夹中, 请自行移动. 结构如下:
ComfyUI\models\TTS
├── Step-Audio-Tokenizer
├── Step-Audio-speakers
├── Step-Audio-TTS-3B
模型下载
下载到 ComfyUI\models\TTS 文件夹中.
Huggingface
| 模型 | 链接 |
|---|---|
| Step-Audio-Tokenizer | 🤗huggingface |
| Step-Audio-TTS-3B | 🤗huggingface |
Modelscope
| 模型 | 链接 |
|---|---|
| Step-Audio-Tokenizer | modelscope |
| Step-Audio-TTS-3B | modelscope |
应包含以下结构：
ComfyUI\models\TTS
├── Step-Audio-Tokenizer
├── Step-Audio-TTS-3B
欢迎贡献更多声音
音频文件命名为 {说话者}_prompt.WAV, 例如 明文_prompt.WAV 我将添加它们到代码中. 从而无需克隆.
当前支持的声音在 Step-Audio-speakers 文件夹中, 欢迎提交更多声音.
支持 中文, 英文, 韩语, 日语, 四川话, 粤语等
致谢
本项目的部分代码来自：
感谢以上所有开源项目对本项目开源做出的贡献！