ComfyUI-Index-TTS
使用IndexTTS模型在ComfyUI中实现高质量文本到语音转换的自定义节点。支持中文和英文文本，可以基于参考音频复刻声音特征。
功能特点
- 支持中文和英文文本合成
- 基于参考音频复刻声音特征（变声功能）
- 支持调节语速（原版不支持后处理实现效果会有一点折损）
- 多种音频合成参数控制
- Windows兼容（无需额外依赖）
废话两句
- 生成的很快，真的很快！而且竟然也很像！！！
- 效果很好，感谢小破站的开源哈哈哈哈哈
- 如果你想体验一下效果 附赠道友B站的传送阵demo
演示案例
以下是一些实际使用效果演示：
| 参考音频 | 输入文本 | 推理结果 |
|---|---|---|
| 我想把钉钉的自动回复设置成"服务器繁忙，请稍后再试"，仅对老板可见。 我想把钉钉的自动回复设置成"服务器繁忙，请稍后再试"，仅对老板可见。 | ||
| 我想把钉钉的自动回复设置成"服务器繁忙，请稍后再试"，仅对老板可见。 |
- 长文本测试： 长文本测试：
更新日志
2025-05-18
- 优化了长期以来transformers库4.50+版本的API变化与原始IndexTTS模型代码不兼容导致的生成报错问题
2025-05-16
-
新增对IndexTTS-1.5模型的支持
- 现在可以在UI中通过下拉菜单切换不同版本的模型
- 支持原始的Index-TTS和新的IndexTTS-1.5模型
- 切换模型时会自动加载相应版本，无需重启ComfyUI
2025-04-23
-
新增 Audio Cleaner 节点，用于处理TTS输出音频中的混响和杂音问题
- 该节点可以连接在 Index TTS 节点之后，优化生成音频的质量
- 主要功能：去除混响、降噪、频率滤波和音频归一化
- 适用于处理有杂音或混响问题的TTS输出
-
修复了对于transformers版本强依赖的问题
Audio Cleaner 参数说明
必需参数：：
- audio: 输入音频（通常为 Index TTS 节点的输出）
- denoise_strength: 降噪强度（0.1-1.0，默认0.5）
- 值越大，降噪效果越强，但可能影响语音自然度
- dereverb_strength: 去混响强度（0.0-1.0，默认0.7）
- 值越大，去混响效果越强，适合处理在回声环境下录制的参考音频
可选参数：：
- high_pass_freq: 高通滤波器频率（20-500Hz，默认100Hz）
- 用于过滤低频噪音，如环境嗡嗡声
- low_pass_freq: 低通滤波器频率（1000-16000Hz，默认8000Hz）
- 用于过滤高频噪音
- normalize: 是否归一化音频（"true"或"false"，默认"true"）
- 开启可使音量更均衡
使用建议
- 对于有明显混响的音频，将
dereverb_strength设置为 0.7-0.9 - 对于有背景噪音的音频，将
denoise_strength设置为 0.5-0.8 - 如果处理后音频听起来不自然，尝试减小
dereverb_strength和denoise_strength - 高通和低通滤波器可以微调以获得最佳人声效果
2025-04-25
- 优化了阿拉伯数字的发音判断问题；可以参考这个case使用：“4 0 9 0”会发音四零九零，“4090”会发音四千零九十；
2025-04-26
- 优化英文逗号导致吞字的问题；
2025-04-29
- 修正了语言模式切换en的时候4090依然读中文的问题，auto现在会按照中英文占比确定阿拉伯数字读法
- 新增了从列表读取音频的方法，同时新增了一些音色音频供大家玩耍；你可以将自己喜欢的音频放入 ComfyUI-Index-TTS\TimbreModel 里，当然也很鼓励你能把好玩的声音分享出来。
- 示例用法如图：
2025-05-11
- 增加了seed功能，现在linux也可以重复执行抽卡了
- 增加了对 Apple Silicon MPS 设备的检测（仍需测试反馈~）
安装
安装节点
-
将此代码库克隆或下载到ComfyUI的
custom_nodes目录：cd ComfyUI/custom_nodes git clone https://github.com/chenpipi0807/ComfyUI-Index-TTS.git -
安装依赖： 安装依赖：
cd ComfyUI-Index-TTS .\python_embeded\python.exe -m pip install -r requirements.txt git pull # 更新很频繁你可能需要
下载模型
原始版本 (Index-TTS)
-
从Hugging Face或者魔搭下载IndexTTS模型文件
-
将模型文件放置在
ComfyUI/models/Index-TTS目录中（如果目录不存在，请创建） -
模型文件夹结构：
ComfyUI/models/Index-TTS/ ├── .gitattributes ├── bigvgan_discriminator.pth ├── bigvgan_generator.pth ├── bpe.model ├── config.yaml ├── configuration.json ├── dvae.pth ├── gpt.pth ├── README.md └── unigram_12000.vocab确保所有文件都已完整下载，特别是较大的模型文件如
bigvgan_discriminator.pth(1.6GB)和gpt.pth(696MB)。
新版本 (IndexTTS-1.5)
-
从Hugging Face下载IndexTTS-1.5模型文件
-
将模型文件放置在
ComfyUI/models/IndexTTS-1.5目录中（如果目录不存在，请创建） -
模型文件夹结构与Index-TTS基本相同，但文件大小和内容会有所不同：
ComfyUI/models/IndexTTS-1.5/ ├── .gitattributes ├── bigvgan_discriminator.pth ├── bigvgan_generator.pth ├── bpe.model ├── config.yaml ├── configuration.json ├── dvae.pth ├── gpt.pth ├── README.md └── unigram_12000.vocab
使用方法
- 在ComfyUI中，找到并添加
Index TTS节点 - 连接参考音频输入（AUDIO类型）
- 输入要转换为语音的文本
- 调整参数（语言、语速等）
- 运行工作流获取生成的语音输出
示例工作流
项目包含一个基础工作流示例，位于workflow/workflow.json，您可以在ComfyUI中通过导入此文件来快速开始使用。
参数说明
必需参数
- text: 要转换为语音的文本（支持中英文）
- reference_audio: 参考音频，模型会复刻其声音特征
- model_version: 模型版本选择，可选项：
Index-TTS: 原始模型版本（默认）IndexTTS-1.5: 新版本模型
- language: 文本语言选择，可选项：
auto: 自动检测语言（默认）zh: 强制使用中文模式en: 强制使用英文模式
- speed: 语速因子（0.5~2.0，默认1.0）
可选参数
以下参数适用于高级用户，用于调整语音生成质量和特性：
- temperature (默认1.0): 控制生成随机性，较高的值增加多样性但可能降低稳定性
- top_p (默认0.8): 采样时考虑的概率质量，降低可获得更准确但可能不够自然的发音
- top_k (默认30): 采样时考虑的候选项数量
- repetition_penalty (默认10.0): 重复内容的惩罚系数
- length_penalty (默认0.0): 生成内容长度的调节因子
- num_beams (默认3): 束搜索的宽度，增加可提高质量但降低速度
- max_mel_tokens (默认600): 最大音频token数量
- sentence_split (默认auto): 句子拆分方式
音色优化建议
要提高音色相似度：
- 使用高质量的参考音频（清晰、无噪音）
- 尝试调整
temperature参数（0.7-0.9范围内效果较好） - 增加
repetition_penalty（10.0-12.0）可以提高音色一致性 - 对于长文本，确保
max_mel_tokens足够大
故障排除
- 如果出现“模型加载失败”，检查模型文件是否完整且放置在正确目录
- 对于Windows用户，无需额外安装特殊依赖，节点已优化
- 如果显示CUDA错误，尝试重启ComfyUI或减少
num_beams值 - 如果你是pytorch2.7运行报错，短期无法适配，请尝试降级方案(.\python_embeded\python.exe -m pip install transformers==4.48.3)
鸣谢
- 基于原始IndexTTS模型
- 感谢ComfyUI社区的支持
- 感谢使用！
许可证
请参考原始IndexTTS项目许可证。