![image](https://github.com/user-attachments/assets/7e38d3fd-2084-4d0c-bf86-4b500eba5ced)

AIIA Logo AIIA Nodes for ComfyUI

欢迎来到 AIIA Nodes for ComfyUI 仓库！这是一个旨在为 ComfyUI 提供一系列强大、直观且高度可定制的节点的集合。这些节点专注于简化复杂的工作流，并为创意工作者提供最大的灵活性。 本节点套件致力于解决 ComfyUI 工作流中的核心痛点。 --- ## 🚀 全新旗舰节点：AIIA 媒体浏览器 🚀 **还在费力地翻找 `output` 文件夹，或者对着一堆时间戳命名的文件猜内容吗？** 我们隆重推出 **AIIA 媒体浏览器**——一个完全集成在 ComfyUI 内部的、功能完备的媒体文件管理中心。它的诞生，旨在彻底改变你管理和使用生成结果的方式，让整个过程变得高效、直观且充满乐趣。 ![image](https://github.com/user-attachments/assets/358b9ca9-59c8-4433-b84c-c150503af04a) ### ✨ 为何选择 AIIA 浏览器？ * **告别猜测：** 无需离开 ComfyUI 即可即时预览图片、视频和音频。 * **为性能而生：** 专为处理包含数千乃至数万个文件的海量输出文件夹而设计，极致流畅，拒绝卡顿。 * **精美且直观：** 拥有现代化的用户界面，与 ComfyUI 原生主题无缝融合，宛若天生。 ### 核心亮点 #### 1. 强大的核心功能 * **一键加载工作流**: 直接从浏览器中加载任何图片、视频或工作流文件，瞬间恢复你的创作环境。 * **直接下载文件**: 无需再打开系统文件夹，一键下载你需要的任何文件。 * **内容丰富的工具提示 (Tooltip)**: 将鼠标悬停在任何文件或文件夹上，即可看到包含详细元数据（尺寸、时长、日期等）的浮窗，甚至还能 **直接在浮窗里预览图片、视频和音频**！ * **高级排序与筛选**: 按 **名称、日期、大小、类型、尺寸或时长** 对文件进行排序，并可选择隐藏文件夹，总能快速找到你想要的。 #### 2. 顶级的界面与用户体验 * **双视图模式：** 可在经典的 **图标视图**（支持缩放）和信息详尽的 **列表视图** 之间一键切换。 * **沉浸式全屏查看器：** 双击文件即可进入一个独立的媒体查看器。支持视频/音频播放、用于快速导航的胶片缩略图，并提供多种导航方式（鼠标滑动、滚轮、键盘方向键和长按按钮）。 * **全键盘导航：** 为高级用户设计，你可以完全通过键盘在文件夹之间穿梭、选择文件、打开预览、显示/隐藏工具提示，实现真正的“效率流”操作。 * **交互式路径与面包屑导航：** 通过可点击的面包屑轻松跳转目录，或直接输入路径进行导航。 #### 3. 无与伦比的性能与技术 * **高性能后端：** 基于 Python 的异步后端，利用 `ffmpeg` 和 `Pillow` 进行即时的缩略图与视频海报生成。 * **智能缓存：** 所有缩略图和元数据都会被智能缓存。浏览器仅在文件发生变化时才重新生成，确保后续加载瞬间完成。 * **懒加载与虚拟滚动：** 我们在图标视图中使用 `IntersectionObserver`，在列表视图中实现 **完全虚拟滚动**。这意味着浏览器永远只渲染屏幕上可见的内容，即使面对上万个文件也能保持极低的内存占用和零延迟。 * **无阻塞元数据分析：** 在列表视图中，浏览器会在后台批量分析视频时长、尺寸等元数据，并以进度条显示，完全不阻塞UI操作。 #### 4. 灵活的自定义选项 * 在设置面板中，你可以根据习惯隐藏文件夹侧边栏，或开关视频预览功能。所有设置都会被自动保存。 --- ## 🚀 核心设计理念：为大规模生成而生 本节点套件的另一个核心设计初衷，是为了攻克困扰许多用户的技术难题，**特别是解决在生成长视频或处理大量图像帧时常见的内存不足（OOM）问题**。 ### 🌟 告别OOM：为处理海量帧而生 处理成百上千张高清图像帧时，轻易就会耗尽 VRAM 和系统内存，导致工作流中断。AIIA 节点通过 **增量式处理（Incremental Processing）** 的策略从根本上解决了这个问题。 #### v1.9.21+ 内存优化 自 v1.9.21 起，**AIIA Body Sway** 和 **AIIA Video Combine** 节点实现了激进的内存管理策略： * **分批处理**：每次只处理 50 帧，处理完立即释放中间变量。 * **逐帧释放**：每帧转换后立即 `del` 并定期 `gc.collect()`。 * **GPU 内存同步释放**：处理前移至 CPU 并调用 `torch.cuda.empty_cache()`。 这意味着即使处理 **1500+ 帧的高分辨率视频**（如 1288×1920），也能在合理的内存占用下完成，**无需磁盘中转**。 #### 两种工作模式 我们提供了两种工作模式，以适应不同场景： - **内存模式 (推荐)**: 直接将上游节点的 `IMAGE` 张量输入。v1.9.21+ 的优化使其可处理数千帧而不 OOM。 - **磁盘模式**: 对于极端长序列或内存受限环境，仍可通过 `frames_directory` 从磁盘流式读取帧。 ### 🔧 强大且可扩展的预设系统 通过简单的 **JSON 文件**，您可以完全自定义视频和音频的编码参数，并将其保存为可复用的格式预设。这使得高级用户可以轻松实现复杂的 FFmpeg 配置，而无需修改任何代码。 --- ## 🛠️ 安装与先决条件 ### 1. 安装 FFmpeg (视频与浏览器节点强依赖) 视频合并节点和媒体浏览器的视频功能依赖 `ffmpeg` 和 `ffprobe`。 - 访问 [FFmpeg 官网](https://ffmpeg.org/download.html) 下载并安装。 - **强烈建议**将 FFmpeg 的 `bin` 目录添加到您系统的 `PATH` 环境变量中。 - 在终端中运行 `ffmpeg -version` 和 `ffprobe -version` 来验证安装。 ### 2. 安装 SoX (VibeVoice 变速不变调必须) VibeVoice 节点的 `speed` 参数依赖系统级 `sox` 命令。 - **Ubuntu/Debian**: `sudo apt-get update && sudo apt-get install -y libsox-dev sox` - **macOS**: `brew install sox` - **Windows**: 下载 [SoX 编译版](https://sourceforge.net/projects/sox/files/sox/) 并将目录添加到 `PATH`。 ### 3. 安装 NeMo 模型 (音频AI节点必须) 音频处理节点（如说话人日志）依赖 NeMo 模型。 - 在 ComfyUI 的 `models` 目录下，创建一个名为 `nemo_models` 的子目录。最终路径应为 `ComfyUI/models/nemo_models/`。 - 从 [NVIDIA NeMo 目录](https://catalog.ngc.nvidia.com/orgs/nvidia/teams/nemo/models/diar_sortformer_telephonic_tele_ft_marblenet) 下载所需的 `.nemo` 模型文件。 - 基础模型: `diar_sortformer_4spk-v1.nemo` - 流式模型 (v2.1): `diar_streaming_sortformer_4spk-v2.1.nemo` - 将下载的 `.nemo` 文件放入 `ComfyUI/models/nemo_models/` 目录中。 **使用 huggingface-cli 下载 (推荐)**: `nvidia/nemo-models` 仓库很大，建议直接下载指定文件： ```bash # 进入 ComfyUI/models 目录 cd ComfyUI/models mkdir -p nemo_models # 下载基础模型 hf download nvidia/nemo-models diar_sortformer_4spk-v1.nemo --local-dir nemo_models # 下载流式模型 hf download nvidia/nemo-models diar_streaming_sortformer_4spk-v2.1.nemo --local-dir nemo_models ``` ### 4. 安装本节点套件 进入 ComfyUI 的自定义节点目录，然后克隆本仓库： ```bash cd ComfyUI/custom_nodes/ git clone https://github.com/havvk/ComfyUI_AIIA.git ``` 最后，**重启 ComfyUI**。 --- ## ✨ 可用节点 ### 1. 媒体管理 (Media Management) #### AIIA 媒体浏览器 1. 安装并重启后，一个 **"AIIA Browser"** 按钮会出现在 ComfyUI 主菜单中。 2. 点击即可启动浏览器。 3. 尽情探索你的 `output` 目录吧！ --- ### 2. 视频生成与合成 (Video Generation & Compositing) #### 2.1 视频合并 (AIIA, 图像或目录) 这是一个功能强大且高度可定制的视频合并节点，是您工作流中处理视频生成的终极解决方案。 ![video_combine_node_ui](https://github.com/user-attachments/assets/4185c2a7-e1a6-4980-ac8a-3d326bff4b87) **核心亮点**: - **内存高效**: 通过 `frames_directory` 输入，可以处理几乎无限数量的图像帧，完美解决了 OOM 问题。 - **直接张量输入**: 接受上游节点的 `IMAGE` 张量，方便快速迭代和测试。 - **全面的音频控制**: 支持 `AUDIO` 张量和外部文件，并提供对编解码器和码率的精细控制。 - **智能自动配置**: `auto` 模式能自动应用格式预设中的音频参数，并能自动检测源文件的码率。 - **安全清理帧目录** (v1.11.1 New): `cleanup_frames` 开关（默认关闭）。开启后，视频合成**成功**时自动删除输入的 `frames_directory`。 - **防误删机制**: 仅删除包含 `.aiia_temp` 标记文件的目录（由 AIIA 上游节点自动写入），用户自己提供的素材目录**永远不会被误删**。 - 合成**失败**时不执行任何删除操作，确保帧文件安全。 #### 2.2 FLOAT 影片生成 (内存与磁盘模式) 这组节点封装了先进的 **FLOAT** 模型，能够根据参考图像和音频生成高质量的口型同步影片。我们提供了两种模式，以应对不同长度的生成需求。 **1. Float Process (AIIA In-Memory)** - **用途**: 用于生成**短片**、快速预览或直接与其他内存节点（如视频合并的 `images` 输入）连接。 - **输出**: `IMAGE` 张量。 - **优势**: 速度快，流程无缝。 - **限制**: 受限于您的 VRAM 和系统内存大小，不适合生成长视频。 **2. Float Process (AIIA To-Disk for Long Audio)** - **用途**: 专门用于**长音频**的影片生成，是**解决OOM问题的关键**。 - **输出**: `STRING` (包含所有生成帧的目录路径) 和 `INT` (帧总数)。 - **优势**: 在解码过程中，节点以小批量方式处理帧并**逐帧保存到磁盘**，内存占用极低，可以处理任意长度的音频。 - **工作流**: 此节点的输出目录可以直接作为 **视频合并节点** 的 `frames_directory` 输入，构建一个完整的、内存高效的 talking head 视频生成管线。 #### 2.3 PersonaLive 视频驱动 (AIIA Integrated) 这组节点基于强大的 [PersonaLive](https://github.com/GVCLab/PersonaLive) 模型，专为生成高质量的 Talking Head 视频而设计。我们将原版代码完全重构并集成到 ComfyUI 中，通过特有的分块处理和磁盘流式技术，**彻底解决了长视频生成时的显存和内存溢出 (OOM) 问题**。 **1. PersonaLive Checkpoint Loader** - **用途**: 加载所有必要的模型权重（Base Model, VAE, PersonaLive Weights）。 - **功能**: 首次运行时会自动从 HuggingFace 下载所需模型，无需手动配置。 **2. PersonaLive Photo Sampler (AIIA In-Memory)** - **用途**: 标准生成模式，适合**短视频**或**中等长度**视频。 - **输出**: `IMAGE` 张量（所有生成的帧）。 - **机制**: 节点会自动将长视频切分为多个 Chunk 进行推理，每推理完一个 Chunk 就会清空显存，从而允许你在有限的显存下生成较长的视频。 **3. PersonaLive Photo Sampler (AIIA To-Disk for Long Video)** - **用途**: 专门用于**超长视频**生成。这是解决系统内存（System RAM）OOM 的终极方案。 - **输出**: `STRING` (包含生成帧的目录路径) 和 `INT` (帧数)。 - **最佳实践**: 将此节点的输出目录直接连接到 **AIIA Video Combine** 节点，即可实现从生成到合成的全流程 OOM-Safe。 #### 2.4 EchoMimic V3 (AIIA Integrated) 这组节点集成了最新的 **EchoMimic V3** (1.3B Parameters) 模型，它是目前开源界效果最惊艳的 Talking Head 解决方案之一。 **特点**: - **多模态驱动**: 支持 **Audio Only** (仅音频驱动) 和 **Audio + Reference Pose** (音频+参考姿态) 驱动。 - **自然度极高**: 相比 float 等早期模型，V3 在头部运动、表情微表情的自然度上有巨大提升。 - **ComfyUI 原生**: 我们将其封装为标准的 Loader 和 Sampler 节点，支持流式生成和内存优化。 **1. EchoMimic V3 Loader** - **用途**: 加载模型权重 (Transformer, VAE, Wav2Vec, etc.)。 - **参数**: - `model_subfolder`: 模型子目录名 (默认 `Wan2.1-Fun-V1.1-1.3B-InP`)。 - `device`: 指定运行设备 (CUDA)。 **2. EchoMimic V3 Sampler** - **用途**: 执行推理生成。 - **输入**: - `ref_image`: 参考人物图片 (建议 1:1 比例，如 768x768)。 - `ref_audio`: 驱动音频。 - **参数**: - `cfg`: 视觉引导系数 (默认 4.0)。 - `audio_cfg`: 音频引导系数 (默认 2.9)。 - `enable_teacache`: **True** (默认)。开启后生成速度提升 1.5 倍以上，且质量无损。 - `keep_model_loaded`: **True** (默认)。即使显存占用增加，也强制将模型保留在 GPU 上，显著减少多段视频生成时的加载时间。 - `negative_prompt`: 已内置优化过的 **眼部修复 (Eye Correction)** 提示词，有效防止翻白眼和眼神飘忽。 **🚀 性能优化 (Performance)**: - **Flash Attention 2**: 强烈推荐安装。检测到时会自动启用，大幅提升推理速度。 - **TeaCache**: 默认启用。通过缓存部分 Transformer 层计算，大幅加速生成。 - **Full GPU Mode**: 默认启用。适合显存充足 (24GB+) 用户，享受极致流畅的生成体验。 **🛠️ 模型下载指南 (Manual Download Guide)** 由于 EchoMimic V3 模型较大且组件较多，目前**不支持自动下载**，请按以下步骤手动准备模型。 目标目录: `ComfyUI/models/EchoMimicV3/` **目录结构**: ```text ComfyUI/models/EchoMimicV3/ ├── Wan2.1-Fun-V1.1-1.3B-InP/ <-- 主模型目录 │ ├── transformer/ │ │ ├── config.json │ │ └── diffusion_pytorch_model.safetensors │ ├── vae/ │ │ ├── config.json │ │ └── diffusion_pytorch_model.safetensors │ ├── text_encoder/ │ ├── tokenizer/ │ ├── image_encoder/ │ └── scheduler/ └── wav2vec2-base-960h/ <-- 音频编码器 (必需) ├── config.json ├── pytorch_model.bin └── ... ``` **下载地址**: 1. **主模型 (EchoMimicV3)**: - HuggingFace: [BadToBest/EchoMimicV3](https://huggingface.co/BadToBest/EchoMimicV3) - **下载命令 (推荐)**: ```bash hf download BadToBest/EchoMimicV3 --local-dir models/EchoMimicV3/EchoMimicV3 ``` - *注意：此模型包含 EchoMimic 特有的 Transformer 权重，是生成嘴型的核心。* 2. **底模 (Wan2.1-Fun-V1.1-1.3B-InP)**: - HuggingFace: [alibaba-pai/Wan2.1-Fun-V1.1-1.3B-InP](https://huggingface.co/alibaba-pai/Wan2.1-Fun-V1.1-1.3B-InP) - **下载命令**: ```bash hf download alibaba-pai/Wan2.1-Fun-V1.1-1.3B-InP --local-dir models/EchoMimicV3/Wan2.1-Fun-V1.1-1.3B-InP ``` - *注意：作为 fallback 来源，提供 VAE、Text Encoder 和 Image Encoder权重。* 3. **音频编码器 (wav2vec2-base-960h)**: - HuggingFace: [facebook/wav2vec2-base-960h](https://huggingface.co/facebook/wav2vec2-base-960h) - **下载命令**: ```bash hf download facebook/wav2vec2-base-960h --local-dir models/EchoMimicV3/wav2vec2-base-960h ``` **环境依赖**: - 请确保安装了 `requirements.txt` 中的依赖，如 `diffusers>=0.30.1`。节点加载时会尝试自动引用，但如果报错缺包，请手动安装。 #### 2.5 Ditto Talking Head (AIIA Integrated) 这组节点集成了 [Ditto](https://github.com/antgroup/ditto-talkinghead) 数字人模型。我们采用了 **PyTorch** 原生实现，避免了复杂的 TensorRT 编译过程，让用户能够“开箱即用”地生成高质量的 Talking Head 视频。 **特点**: - **PyTorch Native**: 无需安装 TensorRT，兼容性更好。 - **In-Memory Pipeline**: 针对 ComfyUI 优化的内存内处理流程，无需生成中间视频文件。 - **自动模型管理**: 支持自动下载模型权重。 **1. AIIA Ditto Loader** - **用途**: 下载并加载 Ditto 模型 (约 1.2GB)。 - **参数**: - `model_name`: 模型名称 (默认 `ditto-talkinghead`)。 - `device`: 运行设备 (CUDA/CPU)。 **2. AIIA Ditto Sampler** - **用途**: 执行推理生成。 - **输入**: - `pipe`: 来自 Loader 的模型管道。 - `ref_image`: 参考人物图片 (建议正方形，人脸居中)。 - `audio`: 驱动音频。 - `fps`: 建议 **25** (Ditto 针对 25FPS 训练)。即使输入其他值，目前内部逻辑也会优先保证 25FPS 的同步率。 - **输出**: `IMAGE` (视频帧), `AUDIO`。 - **高级参数 (Advanced Parameters)**: - `seed`: **随机种子 (Random Seed)**。 - 控制扩散模型的噪声生成。 - **关键作用**: 在长语音生成中，当触发“静音重置”时，种子会被重置，从而确保每一句话的生成条件都与第一句话完全一致，彻底消除“长语音嘴型漂移”和“对口型不准”的问题。 - `crop_scale`: (默认 2.3) **面部工作区视野 (Face Context Scale)**。 - **注意**: 此参数**不会改变输出视频的分辨率**，它决定了模型“看”到了多少人脸周围的内容。 - **数值越大 (如 2.5)**: **广角视野**。模型能覆盖更多头发、脖子和背景。 - ✅ 优点：适合头部运动幅度大的场景，不容易出框。 - ❌ 缺点：在固定的推理画布中，人脸占比变小，生成的五官细节（如牙齿、眼神）可能会变糊。 - **数值越小 (如 2.0)**: **特写视野**。模型聚焦于面部核心区域。 - ✅ 优点：人脸占比大，五官细节极其清晰锐利。 - ❌ 缺点：容易裁掉下巴或额头，头部大幅运动时可能会出现“断头”或伪影。 - **推荐值**: - 标准场景: **2.3** - 大动态/全身/半身: **2.5** (牺牲细节换稳定性) - 大头照/证件照: **2.0** (追求极致细节) - `emo`: (默认 Neutral) 表情控制。可选 Angry, Happy, Sad 等。 - `drive_eye`: (默认 True) 是否驱动眼睛。关闭后眼睛将保持参考图状态(或微动)，适合原图眼神较好的情况。 - `chk_eye_blink`: (已废弃，请使用 `blink_mode`)。 - `blink_mode`: (默认 Natural) **眨眼模式控制**。 - `Natural`: **拟人化随机眨眼**。 - 基础频率：90-150帧/次 (约 3.6s - 6.0s)。 - `Slow`: 慢速沉稳眨眼 (120-200帧/次)。 - `Fast`: 快速频繁眨眼 (10-40帧/次)。 - `None`: **彻底关闭眨眼**。 - `blink_amp`: (v1.9.1 New) **眨眼幅度控制**。 - **1.0 (默认)**: 标准闭眼幅度。 - **< 1.0 (推荐 0.8)**: 适合**男性角色**或眼睛较小的人物，避免“用力挤眼”的感觉。 - **> 1.0**: 加深闭眼力度。 - `mouth_amp`: (v1.9.1 New) **嘴型幅度控制**。 - **1.0 (默认)**: 标准嘴部开合幅度。 - **> 1.0 (推荐 1.1-1.2)**: 适合**大声说话**或需要更夸张表情的场景，增强口型辨识度。 - **< 1.0**: 适合轻声细语。 - `relax_on_silence`: (默认 True) **静音归位 (Relax Face on Silence)**。 - 结合下方的 `silence_release` 参数，针对静音片段进行**平滑过渡**（慢速闭合），避免“紧绷抿嘴”。 - **智能预测 (Predictive Logic)**: 自动识别短停顿（如逗号）与长静音（如句号）。短停顿不触发闭嘴动画，由模型自由发挥；长静音则触发优雅的慢速闭合。 - **防止累积误差 (Drift Correction)**: - **精密网格对齐 (Exact Onset Alignment)**: 将模型的时间步长精确对齐到语音的开始（Onset），而不是固定的处理块。 - **状态重置 (State & RNG Reset)**: 在长静音后，强制重置模型状态和**随机种子**，确保每一句话的生成质量一致，彻底消除“长语音嘴型漂移”。 - `silence_release`: (v1.9.2 New) **静音闭嘴速度 (Adsr Release Control)**。 - **Natural (0.8s) [默认]**: - 自然平衡模式。适合大多数常速对话。 - 触发阈值: >0.88s。 - **Fast (0.5s)**: - 快速响应模式。适合语速极快、充满激情的演讲。 - 触发阈值: >0.56s。 - **Deep (1.3s)**: - 深沉模式。适合朗诵、讲故事或情感类内容。超长尾韵，极度平滑。 - 触发阈值: >1.4s。 - `ref_threshold`: (默认 0.005) **静音检测相对阈值 (Relative Silence Threshold)**。 - 现在的阈值是基于**全段音频峰值音量**的比例 (例如 0.005 = 0.5% 的峰值音量)。 - 这意味着无论音频整体是大声还是小声，系统都能自动适应，准确捕捉微弱的语音片段。 - 只有低于此比例的音量才会被视为静音。 - `smo_k_d`: (默认 3) 运动平滑系数。数值越大动作越柔和，可抑制面部抖动。 - `hd_rot_p` / `y` / `r`: 头部旋转微调 (Pitch/Yaw/Roll)。 - `speech_pitch`: (v1.10.0 New) **说话时俯仰角补偿 (Speech Pitch Offset)**。 - 用于修正"说话时头抬得太高"或"需要低头说话"的场景。此偏移量仅在说话期间生效，并随语音强度平滑切入切出。 - **正值 (+) = 低头 (Look Down)**。例如 `5.0` 表示说话时微微低头。 - **负值 (-) = 抬头 (Look Up)**。 - `mouth_smoothing`: (v1.9.5 New) **嘴型惯性平滑 (Mouth Motion Inertia)**。 - 防止模型输出的嘴型瞬间开合（如爆破音时），增加物理惯性感。 - **`None (Raw)`**: 无平滑，模型原始输出。追求极致对口型，容忍偶尔快速开合。 - **`Light`** (0.3): 轻微平滑，**推荐快语速使用**。 - **`Normal`** (0.5) [默认]: 适中平滑，常规对话推荐。 - **`Heavy`** (0.7): 强力平滑，适合低质量音频或模型输出抖动严重的情况。 - `save_to_disk`: (v1.9.24 New) **OOM 安全模式 (OOM-Safe Mode)**。 - **`Memory (Default)`**: 传统模式，所有帧保存在内存中。适合短视频（<1000帧）。 - **`Disk (OOM-Safe)`**: **长视频推荐**。边生成边保存到磁盘，无 OOM 风险。 - 选择 Disk 模式时，`frames_dir` 输出会包含帧保存路径，可直接连接 **AIIA Video Combine** 节点的 `frames_directory` 输入。 - ⚠️ Disk 模式下 `images` 输出为占位符，请使用 `frames_dir` 连接后续节点。 - **输出**: - `images`: 生成的视频帧序列（Memory 模式）或占位符（Disk 模式）。 - `audio`: 透传的音频。 - `frames_dir`: (v1.9.24 New) Disk 模式下的帧保存路径。Memory 模式下为空字符串。 **🛠️ 模型下载指南 (Manual Download Guide)** 如果自动下载失败，请手动下载模型并放入 `ComfyUI/models/ditto/` 目录。 **目标目录结构**: ```text ComfyUI/models/ditto/ ├── ditto_pytorch/ │ ├── audio2motion.pth │ ├── ... └── ditto_cfg/ ├── v0.4_hubert_cfg_pytorch.pkl ├── ... ``` **下载地址**: - HuggingFace: [digital-avatar/ditto-talkinghead](https://huggingface.co/digital-avatar/ditto-talkinghead) **下载命令**: ```bash # 进入 models 目录 cd ComfyUI/models # 下载模型 (直接下载到 ditto 目录，避免多层嵌套) hf download digital-avatar/ditto-talkinghead --local-dir ditto ``` #### 2.6 身体微动后处理 (Body Sway Post-Processing) 这个轻量级后处理节点可以为 Ditto 等 Talking Head 模型的输出添加**模拟的身体晃动效果**，让人物看起来更加自然、有呼吸感。 **工作原理**: * 通过**裁切平移 + 轻微旋转**模拟人体站立或坐着时的自然重心漂移和呼吸起伏。 * 使用多频正弦波叠加（基于黄金比例）生成平滑、有机的运动轨迹。 * **纯裁切**方式，不放大图像，保持原始画质。 **AIIA Body Sway 节点** - **输入**: - `images` (可选): 来自 Ditto 等节点的视频帧张量 (Memory 模式) - `frames_directory` (可选, v1.9.25 New): 帧目录路径 (Disk 模式，连接 Ditto 的 `frames_dir` 输出) - **参数**: - `crop_ratio`: (默认 0.99) 输出尺寸占输入的比例。 - 0.99 = 保留 99%，晃动幅度较小 (推荐) - 0.98 = 保留 98%，晃动幅度中等 - 支持三位小数 (如 0.995) - `rotation_amplitude`: (默认 0.1) 最大旋转角度 (度)。 - `smoothness`: (默认 0.02) Perlin 噪声平滑度。数值越小，运动越缓慢。 - `seed`: 控制随机轨迹。 - **输出**: - `images`: 应用了微动效果的帧 (Memory 模式) 或占位符 (Disk 模式)。 - `output_frames_dir` (v1.9.25 New): Disk 模式下处理后的帧保存路径。 > [!NOTE] > v1.9.17 改进：使用 **Perlin 噪声** 替代正弦波，运动更有机自然。**已移除垂直方向位移**，减少叠加 Ditto 头部运动时的"晕船"感。 > [!TIP] > **OOM-Safe 工作流** (v1.9.24+): Ditto (`Disk`) → BodySway (`frames_directory`) → VideoCombine (`frames_directory`)，全流程无 OOM 风险。 > **性能无损** (v1.9.28+): 采用并行 I/O 和零压缩策略，**Disk 模式生成速度与 Memory 模式完全一致** (~30fps+)，且极大降低 RAM 占用。强烈推荐长视频生成使用！ > **自动清理** (v1.11.1 New): 开启 VideoCombine 的 `cleanup_frames` 后，中间帧目录会在合成成功后自动删除，无需手动清理磁盘。 ### 3. 音频智能处理 (Intelligent Audio Processing) #### 3.1 说话人日志 (Diarization) 这组节点利用 **NeMo Sortformer** E2E 模型，为您的音频提供先进的说话人识别功能。在4090RTX显卡上只需2秒钟就能完成10分钟音频的声纹分割聚类任务。 **1. AIIA Generate Speaker Segments** - **用途**: 对一段音频进行分析，找出“**谁在什么时候说话**”。 - **输入**: `AUDIO` 张量。 - **输出**: `WHISPER_CHUNKS` (一个结构化的数据，包含一系列带有说话人标签的时间片段，如 `SPEAKER_00`, `SPEAKER_01` 等)。 - **亮点**: 提供多种**后处理配置**（从宽松到严格），让您可以微调分割的灵敏度，以适应不同质量的音频。 **2. AIIA E2E Speaker Diarization** - **用途**: 将 `Generate Speaker Segments` 的识别结果**精确地应用**到由 Whisper 等工具生成的、带有文本的 `WHISPER_CHUNKS` 上。 - **输入**: `WHISPER_CHUNKS` (来自文本转录节点) 和 `AUDIO` 张量。 - **输出**: 更新后的 `WHISPER_CHUNKS`，其中每个文本块都已被赋予了最匹配的说话人标签。 - **工作流**: `(音频) -> Whisper -> (文本Chunks)` + `(音频) => E2E Diarizer` => **最终带有说话人标签的文本稿**。 #### 3.2 说话人隔离与合并 (Speaker Isolation & Merger) **Audio Speaker Isolator (AIIA)** - **用途**: 根据说话人日志（Diarization）产生的 JSON 数据，从原始音轨中精确提取属于特定说话人的声音。 - **输入**: - `audio`: 原始音频张量。 - `whisper_chunks`: 由 Diarization 节点生成的 JSON 片段数据。 - `speaker_label`: 要提取的说话人 ID（例如 "SPEAKER_00"）。 - `isolation_mode`: - **Maintain Duration (推荐)**: 输出与原音频等长的音轨，非目标说话人部分填充静音。这对于 **视频驱动（Talking Head）** 工作流至关重要，能确保口型与原视频时间轴严格对齐。 - **Concatenate**: 将属于该说话人的所有片段无缝拼接在一起，去除中间的空隙。 - **亮点**: - **防爆音**: 内置微小的淡入淡出（Fade In/Out）处理，确保片段边缘自然顺滑。 - **时间对齐**: 专门针对 AIIA 视频节点套件优化，保证音画同步。 **Audio Speaker Merger (AIIA)** - **用途**: 将两段不同的音频流合并为一条。通常用于在分别对不同说话人进行视频驱动后，将各自的音轨重新混缩。 - **输入**: - `audio_1`, `audio_2`: 待合并的两段音频。 - `duration_mode`: - `Longest`: 输出时长等于两段音频中的最大值。 - `Shortest`: 输出时长等于两段音频中的最小值。 - `Audio 1 / Audio 2`: 严格跟随特定输入段的时长。 - `Specified`: 手动指定输出秒数。 - `normalize`: 开启后将自动防止音量叠加导致的破音。 #### 3.3 智能切片 (Smart Chunking) **Audio Smart Chunker (Silence-based)** - **用途**: 全量扫描长音频，寻找最优切片方案。 - **机制**: - **全局静音扫描**: 自动识别音频中的天然停顿区间。 - **贪心优化算法**: 在不超出设定时长（如 27s）的前提下，计算出能让每一刀都切在静音处的片段序列。 - **输出**: 供 `Voice Conversion (AIIA Unlimited)` 使用的 `whisper_chunks` 引导数据。 - **协同优势**: 预先规划好切点，避免转换节点在词句中间暴力切分，是彻底消除拼接毛刺的关键。 #### 3.4 Voice Conversion (AIIA Unlimited) (CosyVoice 增强) **1. CosyVoice Model Loader (AIIA)** - **用途**: 不需要安装任何其他第三方节点，直接加载 CosyVoice 模型。 - **功能**: - **自动安装依赖**: 首次运行时会自动安装 `cosyvoice` 及其依赖环境。 - **自动下载模型**: 选择模型后，首次运行会自动从 HuggingFace 下载模型权重。 - **支持模型**: - `Fun-CosyVoice3-0.5B-2512` (最新 CosyVoice 3.0, **推荐**) - `CosyVoice2-0.5B` (CosyVoice 2.0) - `CosyVoice-300M` 系列 (SFT, Instruct, TTSFRD) - **输出**: `COSYVOICE_MODEL` (专为 AIIA Voice Conversion 节点优化)。 - **✅ 依赖版本兼容性 (Dependency Compatibility)**: CosyVoice 对 `transformers` 和 `PyTorch` 版本敏感。AIIA 已内置深度兼容层，**完美支持最新版本的 `transformers`**。 | 依赖 | 兼容版本 | 备注 | |---|---|---| | **transformers** | **全版本兼容** ✅ | AIIA 内置 Qwen2Encoder 兼容层，自动适配新旧版本 | | **PyTorch** | ≤ 2.8.1 ✅ / ≥ 2.10.0 ✅ | 2.9.x ❌ (PyTorch regression bug) | > [!NOTE] > `transformers` > 4.53 重写了 `Qwen2Model.forward()` 的注意力掩码和隐藏状态输出，导致原版 CosyVoice 生成乱码。AIIA 通过手动逐层迭代 + SDPA 专用掩码 + POST-norm 输出还原，完全绕过了不兼容的新接口，确保与原始训练行为 100% 一致。 如遇到 PyTorch 2.9.x 导致的问题，请升级： ```bash pip install torch==2.10.0 torchaudio==2.10.0 --index-url https://download.pytorch.org/whl/cu128 ``` - **⚠️ 模型下载问题 (Model Download Issues)**: 如果遇到自动下载卡顿或失败，请**手工下载**模型文件夹，并将其放入 `ComfyUI/models/cosyvoice/` 目录中。 **目录结构示例 (Directory Structure)**: 请注意：文件夹名称建议与下方列表保持一致（即去除 `FunAudioLLM/` 前缀）。 ```text ComfyUI/models/cosyvoice/ ├── Fun-CosyVoice3-0.5B-2512/ <-- 对应选项 FunAudioLLM/Fun-CosyVoice3-0.5B-2512 │ ├── cosyvoice.yaml │ ├── model.pt │ └── ... ├── CosyVoice2-0.5B/ <-- 对应选项 FunAudioLLM/CosyVoice2-0.5B └── CosyVoice-300M/ <-- 对应选项 CosyVoice-300M ``` **下载地址 (Download Sources)**: * [ModelScope (魔搭社区)](https://www.modelscope.cn/organization/iic) (搜索 CosyVoice) * [HuggingFace - FunAudioLLM](https://huggingface.co/FunAudioLLM) **使用命令行快速下载 (CLI Examples)**: > [!TIP] > **国内用户推荐使用 ModelScope (魔搭)**，下载速度更快且无需代理。 > **1. 使用 ModelScope (推荐):** ```bash # 进入 ComfyUI/models/cosyvoice 目录 cd ComfyUI/models/cosyvoice # 下载 CosyVoice 3.0 (0.5B - 推荐) modelscope download --model FunAudioLLM/Fun-CosyVoice3-0.5B-2512 --local_dir Fun-CosyVoice3-0.5B-2512 # 下载 CosyVoice 2.0 (0.5B) modelscope download --model iic/CosyVoice2-0.5B --local_dir CosyVoice2-0.5B # 下载 CosyVoice 300M 系列 (V1) modelscope download --model iic/CosyVoice-300M --local_dir CosyVoice-300M modelscope download --model iic/CosyVoice-300M-SFT --local_dir CosyVoice-300M-SFT modelscope download --model iic/CosyVoice-300M-Instruct --local_dir CosyVoice-300M-Instruct ``` **2. 使用 HuggingFace:** ```bash # 下载 CosyVoice 3.0 (0.5B) huggingface-cli download FunAudioLLM/Fun-CosyVoice3-0.5B-2512 --local-dir Fun-CosyVoice3-0.5B-2512 # 下载 CosyVoice 2.0 (0.5B) huggingface-cli download FunAudioLLM/CosyVoice2-0.5B --local-dir CosyVoice2-0.5B # 下载 CosyVoice 300M 系列 (V1) huggingface-cli download FunAudioLLM/CosyVoice-300M --local-dir CosyVoice-300M huggingface-cli download FunAudioLLM/CosyVoice-300M-SFT --local-dir CosyVoice-300M-SFT huggingface-cli download FunAudioLLM/CosyVoice-300M-Instruct --local-dir CosyVoice-300M-Instruct ``` **2. Voice Conversion (AIIA Unlimited)** - **用途**: 增强版语音转换节点，解决了原版 CosyVoice3 只能转换 30 秒内语音的限制。 - **🔥 核心突破**: **全球首个突破时长限制的 ComfyUI 节点**。通过创新的静音点智能切片技术，本节点彻底突破了 CosyVoice 3 官方模型“建议 20 秒、最长 60 秒”的生成限制。它实现了**真正无限时长的音色克隆**，且拼接处自然无痕，完美满足长篇教学视频、有声书等专业制作需求。 - **创新设计 (创新亮点)**: - **语义感知切片 (Semantic-Aware Chunking)**: 节点可选接入 `whisper_chunks` 数据。它能智能识别每句话之间的“缝隙”，优先在说话人停顿的天然空隙处进行切分，从根本上避免了“在单词中间切开”导致的违和感。 - **牺牲上下文无缝拼接 (Sacrificial Context Stitching)**: 针对生成式模型在重叠区域的相位不稳定性，我们在拼接时采用“牺牲上下文”策略。即利用重叠区域作为生成引导，但在最终拼接时丢弃前一片段的“尾部”，仅保留极短的 Cross-fade（约 50ms），从而彻底消除长音频拼接处的“发虚”和回声感。 - **双层寻点算法**: 在语义缝隙确定的候选范围内，算法会自动进行微秒级的**物理静音探测**（基于能量平滑曲线），确保切点处于绝对静默状态。 - **输入**: - `model`: 连接 `CosyVoice Model Loader (AIIA)` 的输出。 - `source_audio`: 待转换的源音频（支持任意时长）。 - `whisper_chunks` (可选): 接入 Diarization 节点数据，开启语义感知切片。 - `target_audio`: 目标音色参考音频（自动截取前 30 秒）。 - `chunk_size`: 目标切片大小（默认 25 秒）。 - `overlap_size`: 重叠大小，用于平滑衔接。 #### 3.5 CosyVoice 3.0 TTS (AIIA) (全版本集成文本转语音) - **用途**: 一个节点通连 CosyVoice 全系列模型 (V1, V2, V3)，支持从纯文字描述生成到高保真音色克隆的全场景需求。 - **🔥 核心架构优势**: - **全版本自适应 (Version-Agnostic)**: 自动根据 `Model Loader` 加载的模型版本切换底层推理逻辑。无论是老牌的 300M 系列还是最新的 V3 0.5B 模型，均能获得最佳表现。 - **300M-Instruct (V1) 专项修复**: - **指令跟随 (Fixed)**: 已修复指令读出问题。 - **能力矩阵**: - ✅ **支持**: 情感 (Emotion), 语速 (Speed), 基础性别 (Gender)。 - ⚠️ **注意**: 请务必使用 **英文指令** (如 "Sad tone", "Fast speed") 以确保生效。中文指令可能被忽略。 - ❌ **不支持**: 方言 (Dialect)。300M-Instruct 模型无法通过指令修改方言。 - **V3 稳定性引擎**: 深度适配 V3 模型的推理协议。内置自动补全机制，确保在任何配置下（即使缺少参考音频或内部音色）都能稳定运行，杜绝 `AudioDecoder` 和 `KeyError` 等常见崩溃。 - **无限长文本支持 (Streaming Architecture)**: 与 VibeVoice (类 GPT) 存在 8K/32K Token 上限不同，CosyVoice 采用流式架构，**理论支持无限长文本输入的连续生成**。系统会自动按句切分流式合成，适合长篇有声读物生成。 - **🚀 五种核心生成模式**: 1. **风格/情感建模 (Instruct)**: **文字 + 描述**。通过文字描述（如“非常开心地说”、“四川话”、“语速极快”）来控制生成的表现力。 2. **音色克隆 (Zero-Shot)**: **文字 + 音频**。通过极短的参考音频，完美复现目标说话人的身份和音色特征。 3. **混合控制 (Hybrid)**: **音频 + 描述**。在克隆音色的基础上，通过描述词改变情感或方言。 4. **跨语言 (Cross-Lingual)**: 让你的克隆音色流利说出 9 种语言。 5. **固定 ID (SFT)**: 直接选取模型内置的高保真音色（如 V3 的原生 01 序列）。 - **💡 进阶使用建议**: - **V3 推荐用法**: 优先通过 `reference_audio` 提供一个高音质片段。V3 模型对比 V1 有质的飞跃，其对音质的还原度和表现力极高。 - **描述词技巧**: 尽量使用具体的场景化描述（例如“在大雨中嘶吼”或“温柔的枕边话”），V3 模型能捕捉到极其细微的情感波动。 - **种子音频回退**: 在“描述生成 (Instruct)”模式下，若不提供参考音频，系统将使用内置的高保真种子作为底色。可以通过切换 `base_gender` 来获取不同的基础人声方向。 #### 3.6 智能音频增强 (Audio AI Enhance) (推荐) - **用途**: 专为 CosyVoice 等生成式语音设计的增强器。它基于 `resemble-enhance` 强大的 **Conditional Flow Matching (CFM)** 模型，能同时完成后处理降噪和超分辨率（Bandwidth Extension）。 - **核心能力**: 将任意低采样率（如 22kHz, 16kHz）的输入音频，重构为 **44.1kHz** 的高保真音频。 **参数详解**: 1. **mode**: - `Enhance (Denoise + Bandwidth Ext)`: **(推荐)** 同时去除底噪并提升音质。 - `Denoise Only`: 仅去除噪声，不改变音质。 2. **solver**: 推理求解器。 - `Midpoint` (默认): 速度与质量的最佳平衡。 - `RK4`: 质量最高，但速度慢 2 倍。 - `Euler`: 速度最快，但可能产生条纹。 3. **nfe (Steps)**: 迭代步数。 - **32**: 快速预览。可能会有残留条纹。 - **64**: **(推荐)** 标准质量。 - **128**: 极高画质，消除所有细微伪影，但耗时。 4. **tau (Temperature)**: 先验温度 (默认 0.5)。 - 控制生成过程的“创造力”。 - 0.5 为平衡点。如果声音发虚，尝试降低到 0.3。 5. **denoise_strength (去噪强度)** : - 范围 `0.0` - `1.0`。默认 `0.5`。 - `0.0`: 保留所有原始底噪。 - `1.0`: 强力去噪。 - **Tip**: 如果你在频谱图的低频部分看到 **水平条纹 (Hum/Buzz)**，请将此值提高到 **0.8 - 1.0**。 6. **high_pass_hz (高通滤波) 🔥 新增 (v1.4.82)**: - **范围**: `0 - 1000` Hz。**默认 `0` (关闭)**。 - **作用**: 在 AI 增强**之前**，直接切除指定频率以下的低频信号。 - **为什么需要它？**: 如果 `denoise_strength=1.0` 仍无法消除低频条纹，说明 AI 把这些噪音当成了“真实信号”进行增强。 - **最佳实践**: 遇到顽固的低频条纹时，设置 **60 - 80 Hz**。 - **安全**: **只要保持默认为 0，此功能完全禁用，对原音质零影响。** 7. **chunk_seconds / overlap_seconds**: - **30s / 1s**: **(推荐)** 4090 等显卡的最佳平衡点。 - **注意**: 首次运行时，模型会进行 **JIT 编译（约60秒）**。请耐心等待，这只发生一次。 - **依赖**: 首次运行会自动安装 `resemble-enhance`。 #### 3.7 智能音频降噪 (VoiceFixer) (Legacy) - **用途**: 用于修复**严重受损**的音频（如老电影、严重削波或极强背景噪）。 - **注意**: 对于 CosyVoice 生成的较干净语音，**不推荐**使用此节点，因为它通过重构方式修复，容易在干净语音上引入伪影（Spectral Stripes）。请优先使用 `Audio AI Enhance`。 - **参数**: - `mode`: - **0 (Full)**: 去噪 + 去混响 + 去破音 + 超分。适合质量最差的音频。 - **1 (No DeClip)**: 去噪 + 去混响 + 超分。适合大多数情况。 - **2 (Denoise Only)**: 仅去噪。 - `use_cuda`: 是否使用 GPU (推荐)。 - **依赖**: 首次运行会自动安装 `voicefixer` 库。 - **⚠️ 模型下载问题 (Model Download Issues)**: 如果遇到下载卡顿或 `PytorchStreamReader` 报错，请尝试**手工下载**模型文件，并按以下结构放入 `ComfyUI/models/voicefixer` 目录中： ```text ComfyUI/models/voicefixer/ ├── analysis_module/ │ └── checkpoints/ │ └── vf.ckpt (466MB) └── synthesis_module/ └── 44100/ └── model.ckpt-1490000_trimed.pt (135MB) ``` **下载地址 (Download Links)**: * **vf.ckpt**: [HuggingFace Mirror](https://huggingface.co/Diogodiogod/VoiceFixer-vf.ckpt/resolve/main/vf.ckpt) 或 [Zenodo](https://zenodo.org/record/5600188/files/vf.ckpt?download=1) * **model.ckpt-1490000_trimed.pt**: [HuggingFace Mirror](https://huggingface.co/Diogodiogod/VoiceFixer-model.ckpt-1490000_trimed.pt/resolve/main/model.ckpt-1490000_trimed.pt) 或 [Zenodo](https://zenodo.org/record/5513378/files/model.ckpt-1490000_trimed.pt?download=1) **使用 huggingface-cli 下载 (CLI Example)**: ```bash # 进入 ComfyUI/models/voicefixer 目录 cd ComfyUI/models/voicefixer # 下载 vf.ckpt (注意路径) hf download Diogodiogod/VoiceFixer-vf.ckpt vf.ckpt --local-dir analysis_module/checkpoints # 下载 model.ckpt (注意路径) hf download Diogodiogod/VoiceFixer-model.ckpt-1490000_trimed.pt model.ckpt-1490000_trimed.pt --local-dir synthesis_module/44100 ``` #### 3.8 Audio Post-Process (Resample/Fade/Norm) - **用途**: 音频后期处理“母带”节点。 - **功能**: - **Resample**: 使用高精度算法（sinc_interp_hann）将音频上采样至 44.1kHz 或 48kHz，改善听感清晰度。 - **LowPass Filter**: 可选的低通滤波器（**默认 11000 Hz**）。采用 **6级级联（Cascaded）** 设计，像“砖墙”一样强力消除由 CosyVoice 带来的高频混叠（Resampling Artifacts）。 - **HighPass Filter**: 可选的高通滤波器（**默认 60 Hz**）。采用 **单级平滑** 设计，在去除低频轰鸣声和直流偏移的同时，完美保留人声的低音厚度。 - **Fade In/Out**: 对音频首尾添加淡入淡出，消除由于切割或拼接可能残留的爆音。 - **Normalize**: 将音量标准化至 -1dB，确保输出响度饱满且不破音。 - **场景**: 建议串联在 `Voice Conversion` 节点之后使用。 #### 3.9 Audio Splice Analyzer (AIIA Debug) - **用途**: 可视化验证音频拼接质量。 - **功能**: - 生成 Log-Mel 语谱图 (Spectrogram)。 - 如果接入了 `Voice Conversion` 节点的 `SPLICE_INFO` 输出，会自动在图上用红线标记出所有拼接点的位置。 - 帮助用户直观地检查拼接点是否位于静音区，以及是否有明显的频谱断裂。 - **依赖**: 需要 `matplotlib` 库。如果未安装，节点会生成一张提示错误的图片，不会导致工作流崩溃。 #### 3.10 音频信息查看 (Audio Info & Metadata) - **用途**: 实时查看音频流的元数据，确保你的采样率符合预期。 - **输入**: `AUDIO` 张量。 - **输出**: - `info_text`: 包含采样率、时长、通道数、BatchSize等详细信息的文本报告。 - `sample_rate`: 采样率 (INT)。 - `duration`: 时长秒数 (FLOAT)。 - `channels`: 通道数 (INT)。 #### 3.11 Microsoft VibeVoice (Beta) - **用途**: 微软最新的 TTS/音色克隆模型，支持 1.5B 和 7B 两种规格。 - **当前状态**: ✅ 可用（已通过测试） - **支持语言**: **英文 (en) 和 中文 (zh)**（官方仅在这两种语言数据集上训练） - **可选模型**: - `microsoft/VibeVoice-Realtime-0.5B`: **最新实时版**，极致速度，支持多种语言（如日、韩、英、中等），上下文 8K。推荐用于低延迟对话场景。 - `microsoft/VibeVoice-1.5B`: 轻量版，64K 上下文（~3GB 显存）。 - `vibevoice/VibeVoice-7B`: 高质量版，32K 上下文（~14GB 显存）。推荐用于生产环境。 - **特点**: - **多语言支持**: 0.5B 版本支持比 1.5B/7B 更多的语言种类。 - **即时启动**: 无需预热或编译，首次运行即可使用（CosyVoice 首次需 ~1 分钟编译）。 - **语言自动识别**: 模型会自动识别中英文文本。 - **零样本音色克隆**: 输入 `reference_audio` 即可克隆声音。参考音频会自动重采样到 24000Hz。 - **节点参数 (推荐参数建议)**: - `cfg_scale` (默认: 1.3): CFG 引导强度。建议使用 **1.3**。 - `ddpm_steps` (默认: 20): 扩散步数。 - `do_sample` (默认: "auto"): **智能采样开关**。 - `"auto"`: 自动适配。**1.5B 模型默认关闭**（保证稳定性），**7B 模型默认开启**（释放表达力）。 - `"true"`: 强制开启。如果 1.5B 开启后出现电音或逻辑混乱，请切换回 `"auto"`。 - `"false"`: 强制关闭（即 Greed Search）。 - `temperature` (默认: 0.8): 采样温度。仅在 `do_sample` 开启时有效。 - `top_k / top_p`: 采样约束。 - `speed` (默认: 1.0): 播放速度。 - `do_sample`: **"auto"** (或 `false`) - 保证极速和绝对稳定。 - `normalize_text`: **True** - 帮助处理各种语言的特殊符号。 - **特点**: 该模型支持包括**韩语、日语**在内的更多语种，速度极快。 #### 🔬 详细观察与进阶技巧 1. **0.5B 实时版**: - **频谱特征**: 在静音区域（Silence）可能在全部频率范围内观察到较高的能量分布，尤其在中频区域。 - **听感**: 尽管频谱显示有能量，但**实际听感比较干净**，只有轻微的底噪。这表明其声码器可能存在某种特征泄露，但不影响实用性。 - **迭代次数**: 由于基于音素（Phoneme）和流式切片处理，其显示的迭代次数（Total Steps）通常多于标准版，这是正常的。 2. **1.5B vs 7B 对比**: - **音质与风格**: 在参数调整得当（如开启 `do_sample`）的情况下，1.5B 模型生成的语音内容、风格和音质与 7B 模型**几乎无法区分**。 - **性价比**: 1.5B 模型的推理速度约为 7B 的 **2倍**，显存占用仅为 1/4。除非对极细微的表达有极致要求，否则 **1.5B 是生产环境的最佳选择**。 - **迭代差异**: 1.5B 的迭代次数（Token数）可能略少于 7B，这反映了不同模型对同一文本编码的简洁程度差异，属正常现象。 ### 💡 7B 模型音质“全开”指南 要达到官方 Benchmark 的水准，请对 7B 模型尝试以下组合： - `do_sample`: **True** (开启采样) - `temperature`: **0.8 - 0.9** - `cfg_scale`: **1.3 - 1.8** - `ddpm_steps`: **20 - 50** - `normalize_text`: **False** - **环境要求**: - **Flash Attention 2**: 强烈推荐安装（否则速度较慢）。 - **Transformers**: `>= 4.51`（重要: 旧版本不支持该模型）。 - **节点**: - `VibeVoice Loader`: 加载模型。支持从 HuggingFace 自动下载，也支持加载本地模型。 - `VibeVoice TTS`: 支持 Zero-shot 音色克隆（输入 `reference_audio` 即可）。 - **模型准备 (Model Preparation)**: 如果遇到下载问题或分词器报错，请手动下载模型文件到 `models/vibevoice` 目录。 **必须的文件结构** (以 1.5B 为例，7B 类似): ```text ComfyUI/models/vibevoice/microsoft/VibeVoice-1.5B/ # 或 VibeVoice-7B/ ├── model-*.safetensors (模型权重) ├── config.json └── [Tokenizer Files] (必须包含以下 Qwen 文件!) ├── tokenizer.json ├── tokenizer_config.json ├── vocab.json └── merges.txt ``` **💡 说明**: 插件已内置并修复了所有 VibeVoice 的 Python 核心代码 (`vibevoice_core`)。你**不需要**也不建议在模型目录中保留 `modeling_vibevoice_*.py` 等 Python 脚本，以避免潜在的冲突。 **⚠️ 重要提示**: VibeVoice 依赖 **Qwen2.5** 的分词器。如果模型包里没有 tokenizer 文件，请手动补全： - 1.5B 模型使用 [Qwen/Qwen2.5-1.5B](https://huggingface.co/Qwen/Qwen2.5-1.5B/tree/main) 的 tokenizer - 7B 模型使用 [Qwen/Qwen2.5-7B](https://huggingface.co/Qwen/Qwen2.5-7B/tree/main) 的 tokenizer ### 💡 VibeVoice 使用指南 (Node Usage Guide) 由于模型架构不同，我们现在提供 **两个独立的 TTS 节点** 以优化体验： #### 1. 🗣️ VibeVoice TTS (Standard) - **适用模型**: `VibeVoice-1.5B`, `VibeVoice-7B` - **参考音频 (Reference Audio)**: 可选 (`optional`)。如果不连接，将自动使用内置的高品质女声种子 (Fallback Seed) 进行生成。 - **功能**: 支持零样本音色克隆 (Zero-shot Cloning)。输入任何音频，它都会模仿该音色。 - **不支持**: `voice_preset` (预设)。 #### 2. 🗣️ VibeVoice TTS (Realtime 0.5B) - **适用模型**: `VibeVoice-Realtime-0.5B` - **必选参数**: `voice_preset` (音色预设) - **必须选择**。 - **功能**: 极速实时生成。基于预计算的 `.pt` 缓存文件生成语音。 - **不支持**: `reference_audio` (直接克隆)。 - **特点**: - **极低延迟**: 首包延迟极低，适合即时交互。 - **BF16 加速**: 自动使用 Bloat16 精度进行推理（如果硬件支持），大幅提升速度。 - **多语言支持**: 官方预设涵盖英、日、韩、法、德等。 #### 3. 🎤 VibeVoice Preset Maker (0.5B) (Experimental ⚠️) - **用途**: 尝试制作 0.5B 模型专用的 `.pt` 音色预设。 - **现状**: **极不稳定**。 - **原因**: 社区反馈和测试表明，VibeVoice-Realtime-0.5B 模型的权重似乎对自定义音色进行了限制或未进行充分的 Zero-Shot 泛化训练。即使使用长达 1 分钟的高质量音频，生成时也极易出现**死循环、胡言乱语或噪音**。 - **建议**: - **首选**: 请直接下载并在 `Realtime 0.5B` 节点中使用 **微软官方提供的预设** (Carter, Emma 等)。 - **尝试**: 如果您一定要克隆音色，请使用 **VibeVoice 1.5B / 7B (Standard)** 节点，它们原生支持完美的 Zero-Shot 克隆。 - **仅供研究**: 此节点保留给开发者进行研究调试，普通用户**不推荐**使用。 **手动下载命令**: ```bash # ===== 0.5B 实时多语言模型 (Realtime) ===== mkdir -p models/vibevoice/microsoft/VibeVoice-Realtime-0.5B hf download microsoft/VibeVoice-Realtime-0.5B --local-dir models/vibevoice/microsoft/VibeVoice-Realtime-0.5B # 补全 Tokenizer (使用 Qwen2.5-0.5B) wget https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct/resolve/main/tokenizer.json -P models/vibevoice/microsoft/VibeVoice-Realtime-0.5B/ wget https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct/resolve/main/tokenizer_config.json -P models/vibevoice/microsoft/VibeVoice-Realtime-0.5B/ wget https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct/resolve/main/vocab.json -P models/vibevoice/microsoft/VibeVoice-Realtime-0.5B/ wget https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct/resolve/main/merges.txt -P models/vibevoice/microsoft/VibeVoice-Realtime-0.5B/ # 🔥 [重要] 下载 0.5B 官方音色库 (Voices Presets) 🔥 # 0.5B 模型必须配合官方音色预设使用，不支持零样本克隆。 # 请务必将以下文件下载到 `models/vibevoice/voices/streaming_model` 目录： mkdir -p models/vibevoice/voices/streaming_model cd models/vibevoice/voices/streaming_model # 下载核心音色 (仅示例，全部音色请参考官方 GitHub) # ⚠️ 注意：官方仓库目前暂未提供中文 (.pt) 预设，建议使用英文或日韩文测试，或自行制作预设。 # 英文 (English) wget -N --no-check-certificate https://github.com/microsoft/VibeVoice/raw/main/demo/voices/streaming_model/en-Carter_man.pt wget -N --no-check-certificate https://github.com/microsoft/VibeVoice/raw/main/demo/voices/streaming_model/en-Emma_woman.pt # 日语 (Japanese) wget -N --no-check-certificate https://github.com/microsoft/VibeVoice/raw/main/demo/voices/streaming_model/jp-Spk0_man.pt wget -N --no-check-certificate https://github.com/microsoft/VibeVoice/raw/main/demo/voices/streaming_model/jp-Spk1_woman.pt # 韩语 (Korean) wget -N --no-check-certificate https://github.com/microsoft/VibeVoice/raw/main/demo/voices/streaming_model/kr-Spk0_woman.pt wget -N --no-check-certificate https://github.com/microsoft/VibeVoice/raw/main/demo/voices/streaming_model/kr-Spk1_man.pt # 更多语言 (德语 de, 法语 fr, 意大利语 it, 西班牙语 sp/es, 葡萄牙语 pt 等) 均支持！ # ===== 1.5B 基础模型 ===== mkdir -p models/vibevoice/microsoft/VibeVoice-1.5B hf download microsoft/VibeVoice-1.5B --local-dir models/vibevoice/microsoft/VibeVoice-1.5B # 补全 Tokenizer wget https://huggingface.co/Qwen/Qwen2.5-1.5B/resolve/main/tokenizer.json -P models/vibevoice/microsoft/VibeVoice-1.5B/ wget https://huggingface.co/Qwen/Qwen2.5-1.5B/resolve/main/tokenizer_config.json -P models/vibevoice/microsoft/VibeVoice-1.5B/ wget https://huggingface.co/Qwen/Qwen2.5-1.5B/resolve/main/vocab.json -P models/vibevoice/microsoft/VibeVoice-1.5B/ wget https://huggingface.co/Qwen/Qwen2.5-1.5B/resolve/main/merges.txt -P models/vibevoice/microsoft/VibeVoice-1.5B/ # ===== 7B 模型 ===== mkdir -p models/vibevoice/vibevoice/VibeVoice-7B hf download vibevoice/VibeVoice-7B --local-dir models/vibevoice/vibevoice/VibeVoice-7B # 补全 Tokenizer (如果没有) wget https://huggingface.co/Qwen/Qwen2.5-7B/resolve/main/tokenizer.json -P models/vibevoice/vibevoice/VibeVoice-7B/ wget https://huggingface.co/Qwen/Qwen2.5-7B/resolve/main/tokenizer_config.json -P models/vibevoice/vibevoice/VibeVoice-7B/ wget https://huggingface.co/Qwen/Qwen2.5-7B/resolve/main/vocab.json -P models/vibevoice/vibevoice/VibeVoice-7B/ wget https://huggingface.co/Qwen/Qwen2.5-7B/resolve/main/merges.txt -P models/vibevoice/vibevoice/VibeVoice-7B/ ``` #### 3.12 VoxCPM 1.5 TTS (Beta) - **用途**: 下一代 Tokenizer-free TTS 模型，提供 44.1kHz 原生高保真音质。 - **状态**: **Beta (骨架已上线，推理逻辑完善中)** - **手动下载指南 (Manual Download)**: 如果节点无法自动下载模型，请手动下载 `openbmb/VoxCPM1.5` 并放入以下目录： ```text ComfyUI/models/voxcpm/VoxCPM1.5/ ├── model.safetensors ├── config.json └── ... (其他相关文件) ``` **HuggingFace 下载命令**: ```bash mkdir -p models/voxcpm/VoxCPM1.5 hf download openbmb/VoxCPM1.5 --local-dir models/voxcpm/VoxCPM1.5 ``` **降噪模型 (Optional Denoiser - ZipEnhancer)**: 默认开启 `enable_denoiser` 会自动从 ModelScope 下载 `speech_zipenhancer_ans_multiloss_16k_base` 到以下目录： ```text ComfyUI/models/voxcpm/speech_zipenhancer_ans_multiloss_16k_base/ ``` 如需手动下载（或离线使用）： ```bash pip install modelscope modelscope download --model iic/speech_zipenhancer_ans_multiloss_16k_base --local_dir models/voxcpm/speech_zipenhancer_ans_multiloss_16k_base ``` > [!NOTE] > **频谱特征说明 (Spectral Analysis Note)**: > 用户实测发现，尽管该模型输出 44.1kHz 格式，但在频谱图上可能观察到以下特征： > > 1. **静音区能量较高 (High Noise Floor)**: 并非绝对静默。 > 2. **水平条纹 (Horizontal Stripes)**: 特别是在低频区域，这通常是 Neural Upsampling (VAE/GAN) 重构波形的典型痕迹。 > 3. **听感**: 这种“升频痕迹”可能会带来轻微的机械感或金属音，这属于模型权重的固有特性。 > #### 💡 用户实测与选型指南 (Model Comparison & Selection) 经过深度测试，我们在三个主流模型中整理了以下对比，助您选择最适合的引擎： | 维度 | **VoxCPM 1.5** (800M) | **CosyVoice 3.0** (0.5B/1.5B) | **VibeVoice** (1.5B/7B) | | :--------------------------------------- | :----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------- | :-------------------------------------------------------------- | | **音质 (Fidelity)** | **44.1kHz 格式** `
`虽然物理格式为 44.1k，但因采用 **Neural Upsampling** (神经升频) 技术，听感上会有**含混 (Muffled)** 或**金属感**，且伴有底噪。 | **优秀** `
`听感最自然，但采样率稍低 (22/24kHz)，有时需 AI 增强。 | **良好** `
`主要强在语气自然度，纯音质略逊。 | | **推理速度 (Speed)** | **🚀 冠军 (RTF ~0.17)**`
`得益于 Tokenizer-free，极其高效。 | **极快** `
`流式响应仅 150ms，且支持 TensorRT 加速。 | **一般/较慢** `
`7B 版本较重，更适合离线生成。 | | **克隆能力 (Cloning)** | **SOTA** (Zero-Shot)`
`只需 3-10秒，对**音色质感**还原极高。 | **SOTA** (稳定性)`
`对**说话韵律/口音**的捕捉最准。 | **良好** `
`适合克隆特定语气，而非纯粹音色。 | | **多语言/方言** | **中/英** (双语优化) | **👑 霸主** (9种语言 + 18种方言) | **中/英** | | **语音转换 (VC)** (Audio-to-Audio) | ❌**不支持** `
`仅支持 TTS (Text-to-Speech)。无法改变已有音频的音色。 | ✅**支持** `
`可以将任意音频转换为任意音色 (保留语调/停顿)。 | ❌**不支持** `
`纯 TTS 模型。仅支持 Text-to-Speech。 | | **Qwen3-TTS** (1.7B/0.6B) | ✅**支持** `
`支持 Presets (内置音色) 和 VoiceDesign (描述)。 | ✅**支持** `
`支持 3秒极速 Clone (克隆) 模型。 | ✅**支持** `
`支持 10 种语言。 | #### 3.13 Qwen3-TTS (New! 🔥) - **用途**: 阿里巴巴 Qwen 团队推出的最新旗舰级 TTS 模型，支持 10 种主要语言及多种方言，具备极高的稳定性和表现力。 - **核心能力**: - **Base (Clone)**: 核心能力为 **3秒极速音色克隆**。支持 X-Vector 模式提升稳定性。 - **CustomVoice (Presets)**: 阿里巴巴官方提供的 **9 种高品质内置音色** (如 Vivian, Zack 等)，支持极强的情感和方言控制。 - **VoiceDesign**: 通过自然语言描述（如“活泼的少女音，带点羞涩”）从零设计音色。 - **环境要求**: - **qwen-tts**: `pip install qwen-tts` (插件会自动尝试安装)。 - **Flash Attention 2**: 强烈推荐以获得最佳推理性能。 - **节点**: - `🤖 Qwen3-TTS Loader`: 加载模型。支持 `Base (Clone)`、`CustomVoice (Presets)` 和 `VoiceDesign` 模型。 - `🗣️ Qwen3-TTS Synthesis`: 执行合成。支持单模型连接或通过 Router 连接的 Bundle。 - `🔌 Qwen3-Model Router (Bundle)`: **[新]** 路由节点。将多个分立的 Qwen 模型捆绑成一个，供对话节点自动调用。 - `🎙️ Qwen3-TTS Dialogue (Specialist)`: **[旗帜级]** 专为 Qwen3 设计的对话节点。单输入设计，支持通过 Router 实现混合克隆/捏人。 - **模型列表**: - `Qwen/Qwen3-TTS-12Hz-1.7B-Base` (或 0.6B-Base) - `Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice` (或 0.6B-CustomVoice) - `Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign` #### 📊 模型功能映射表 (Model Capability Mapping) | 模型版本 | **音色克隆 (Clone)** | **情感控制 (Emotion)** | **文字捏人 (Design)** | **方言支持 (Dialect)** | | :--- | :---: | :---: | :---: | :---: | | **Base** (1.7B/0.6B) | **👑 最强** | ❌ 仅限录音自带 | ❌ 不支持 | ⚠️ 仅限录音自带 | | **CustomVoice** (1.7B) | ⚠️ 效果极差 | ✅ 支持 | ⚠️ 指令干扰严重 | ⚠️ 效果一般 | | **VoiceDesign** (1.7B) | ❌ 不支持 | **👑 专家** | **👑 专家** | **👑 完美支持** | | **CustomVoice** (0.6B) | ⚠️ 效果极差 | ✅ 支持 | ✅ 表现优异 | ✅ 表现优异 | > [!TIP] > **关于 UI 简化**： > 现在的对话节点只有一个 `qwen_model` 输入槽。 > - 如果你只需要一种模型，直接连上即可。 > - 如果你想实现“Speaker A 克隆，Speaker B 捏人”的混合效果，请使用 `🔌 Qwen3-Model Router` 节点进行打包连接。 > [!IMPORTANT] > **结论**： > 1. 做 **3秒音色克隆**：必须连 `Base` 模型。 > 2. 说 **方言** 或 **文字定制音色**：优先连 `VoiceDesign`（1.7B）或 `CustomVoice`（0.6B）。 > 3. 使用 **Vivian/Zack 内置音色**：连接 `CustomVoice` 模型。 **🛠️ 手工下载指南 (Manual Download Guide)**: 如果节点无法自动下载，或您需要在离线环境使用，请手动从 HuggingFace 或 ModelScope 下载模型文件夹，并放入以下目录（文件夹建议保留原名）： ```text ComfyUI/models/qwen_tts/Qwen/ ├── Qwen3-TTS-12Hz-1.7B-Base/ <-- 对应 1.7B Base (Clone) ├── Qwen3-TTS-12Hz-1.7B-CustomVoice/ <-- 对应 1.7B CustomVoice ├── Qwen3-TTS-12Hz-1.7B-VoiceDesign/ <-- 对应 1.7B VoiceDesign ├── Qwen3-TTS-12Hz-0.6B-Base/ <-- 对应 0.6B Base (Clone) └── Qwen3-TTS-12Hz-0.6B-CustomVoice/ <-- 对应 0.6B CustomVoice/VoiceDesign ``` **下载命令 (HuggingFace CLI)**: ```bash mkdir -p models/qwen_tts/Qwen # 1.7B 系列 hf download Qwen/Qwen3-TTS-12Hz-1.7B-Base --local-dir models/qwen_tts/Qwen/Qwen3-TTS-12Hz-1.7B-Base hf download Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice --local-dir models/qwen_tts/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice hf download Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign --local-dir models/qwen_tts/Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign # 0.6B 系列 hf download Qwen/Qwen3-TTS-12Hz-0.6B-Base --local-dir models/qwen_tts/Qwen/Qwen3-TTS-12Hz-0.6B-Base hf download Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice --local-dir models/qwen_tts/Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice ``` **ModelScope 下载 (国内推荐)**: ```bash # 0.6B 示例 pip install modelscope modelscope download --model qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice --local_dir models/qwen_tts/Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice ``` > [!NOTE] > 对于 **0.6B** 系列，官方目前将 `CustomVoice` 和 `VoiceDesign`（文字设计）能力集成在同一个模型中。因此在设计模式下，加载 `0.6B-CustomVoice` 即可获得极佳效果。 #### 🎭 掌握指令控制 (Instruct Control) Qwen3-TTS 最强大的特性之一是其**自然语言指令驱动**的能力。与传统的“固定标签”不同，你可以直接在 `instruct` 输入框中用一段描述来控制声音的表现。 **1. 情感与语气控制 (Emotion & Tone)** 虽然官方没有强制的固定标签列表，但以下描述词被证明效果极佳（支持中文或英文）： - **基础情感**: "开心" (Happy), "悲伤" (Sad), "生气" (Angry), "兴奋" (Excited), "温柔" (Gentle), "严肃" (Serious)。 - **微表情控制 (New!)**: 在 Specialist 节点中，你可以叠加更细腻的语气，如 "带点羞涩的" (With a hint of shyness), "语气充满诱惑力" (Seductive tone), "语气带着哭腔" (Crying tone), "语气充满笑意" (Cheerful tone) 等。 - **提示**: 这些指令可以组合，例如 `生气且激动的。` 或 `Very happy and excited.` **2. 语速与节奏 (Prosody)** 虽然节点有专门的 `speed` 滑块，但通过 `instruct` 可以实现更自然的节奏控制： - "语速极快" (Very fast speaking rate), "缓慢且深情地" (Slow and soulful), "中间有明显的停顿" (Dramatic pauses)。 **3. 音色设计 (Voice Design)** 在加载 **VoiceDesign** 模型时，指令框即为你的“捏人”引擎： - **特征描述**: "沙哑的男低音" (Raspy deep male voice), "甜美的少女音" (Sweet young girl's voice), "充满磁性的中年女性" (Magnetic middle-aged female)。 - **示例**: `A young woman with a clear, bright voice, speaking with great confidence.` - **示例**: `A young woman with a clear, bright voice, speaking with great confidence.` - **方言与口音 (Dialect & Accent)**: - 虽然官方称全系列支持，但实测发现不同模型遵循度不同： - **VoiceDesign (1.7B/0.6B-Custom)**: **👑 效果最强**。因为没有固定身份限制，能完美呈现粤语、上海话等方言的韵律。 - **CustomVoice (Presets)**: 效果一般。由于 Vivian 等音色有固定的标准语设定，方言指令常会被弱化以维持音色一致性。 - **Base (Clone)**: 效果最弱。主要取决于你的参考音频本身是什么口音。 **4. 使用技巧**: - **句尾符号**: 指令末尾建议加一个句号（如 `开心地。`），这有助于模型更稳定地理解指令边界。 - **对话剧本**: 在 `🎙️ Qwen3-TTS Dialogue (Specialist)` 节点中，如果某位 Speaker 处于 `Preset` 或 `Design` 模式，系统会自动将剧本中的情感标签（如 `[开心]`）转换为对应的 `instruct` 指令。 --- #### 3.14 IndexTTS-2 (New! 🔥) - **用途**: Bilibili 开源的 **零样本语音克隆 + 情感控制** TTS 模型。支持**音色与情感解耦**，调整情感时不会导致音色漂移。 - **🔥 核心特性**: - **音色/情感解耦 (Voice-Emotion Decoupling)**: 独立控制音色和情感，改变情感不影响声音音色。这解决了其他模型在调整情感时音色漂移的顽疾。 - **8 维情感向量控制**: 提供 `happy`, `angry`, `sad`, `afraid`, `disgusted`, `melancholic`, `surprised`, `calm` 八个情感滑块，精细控制输出语音的情感表达。 - **🆕 内联情感标签 (Inline Emotion Tags)**: 支持在文本中嵌入 `[Happy]`、`[Sad]` 等标签，**逐句控制不同情感**。节点自动按标签分段生成，再以余弦淡入淡出 + 静音间隔无缝拼接。 - **情感音频参考**: 支持通过额外的 `emotion_audio` 输入捕获参考音频中的情感特征，并通过 `emo_alpha` 控制混合强度。 - **QwenEmotion 自动推断**: 启用 `use_emo_text` 后，内置 Qwen 情感模型自动分析文本语义，推断最合适的情感向量。 - **零样本音色克隆**: 输入 `reference_audio` 即可克隆声音。 - **节点**: **IndexTTS-2 Loader** — 加载 IndexTTS-2 模型 | 参数 | 默认 | 说明 | |------|------|------| | `use_fp16` | `True` | 半精度推理，降低 VRAM 占用 | | `use_cuda_kernel` | `True` | BigVGAN CUDA 核心加速（仅 NVIDIA GPU，推理更快） | | `model_dir` | 空 | 自定义模型路径，留空使用 `ComfyUI/models/indextts2/` | **IndexTTS-2 TTS** — 执行语音合成 | 参数 | 默认 | 说明 | |------|------|------| | `text` | — | 待合成文本，支持中英文混合及 **内联情感标签** | | `voice_preset` | `Female_HQ` | 内置音色预设（在无 `reference_audio` 时使用） | | `reference_audio` | — | 音色参考音频（零样本克隆，优先于 preset） | | `emotion_audio` | — | 独立的情感参考音频 | | `emo_alpha` | `1.0` | 情感混合强度 (0=无情感, 1=100%情感) | | `happy` ~ `calm` | `0.0` | 8 个情感滑块，直接控制向量 | | `use_emo_text` | `False` | 启用后使用 Qwen 模型自动推断情感 | | `emo_text` | 空 | 自定义情感提示文本（配合 `use_emo_text`） | | `interval_silence` | `200` | 长文本分段间静音时长 (ms) | | `max_text_tokens_per_segment` | `120` | 每段最大 token 数（控制切分粒度） | | `use_random` | `False` | 随机采样（降低克隆保真度） | | `seed` | `0` | 随机种子 (-1=随机) | - **🆕 内联情感标签 (Inline Emotion Tags)**: 在文本中嵌入 `[标签名]` 即可逐句控制情感，节点会自动按标签拆分，每段独立生成后拼接。 **使用示例**： ```text [happy] 今天天气真好，阳光明媚！ [sad] 但是我养的小猫走丢了，我好难过。 [calm] 不过我相信它一定会自己找到回家的路。 ``` → 生成 3 段音频，分别带 happy / sad / calm 情感，最终余弦淡入淡出无缝拼接为一段完整音频。 > [!IMPORTANT] > **控制情感强度**: 内联标签默认映射到全强度的情感向量 (1.0)。如果发现音色失真或情感过于夸张（如嘶吼、破音），请尝试**降低** `emo_alpha` 参数（推荐值 **0.6 ~ 0.8**）。较低的 alpha 值能更好地保留原始音色特征，同时赋予适度的情感色彩。 **支持的 26 种标签**： | 分类 | 标签 | |------|------| | 积极情感 | `happy`, `excited`, `enthusiastic`, `proud`, `romantic`, `innocent` | | 消极情感 | `sad`, `angry`, `afraid`, `fearful`, `disgusted`, `disappointed`, `anxious`, `nervous` | | 复合情感 | `sarcastic`, `nostalgic`, `confused`, `mysterious`, `gossip` | | 中性情感 | `calm`, `neutral`, `gentle`, `serious`, `lazy`, `melancholic`, `surprised` | 每个标签自动映射到 IndexTTS-2 的 8 维情感向量。**未知标签**（不在上述列表中的）自动回退至 QwenEmotion 模型推断。 > [!TIP] > 内联标签通常由 **AIIA Emotion Annotator** 节点自动注入到 Splitter 的输出中，无需手写。也可以手动添加来精细控制。 - **🔧 情感控制优先级**: 当多种情感来源同时存在时，按以下优先级生效： | 优先级 | 来源 | 说明 | |:------:|------|------| | 1 (最高) | 内联标签 `[Tag]` | 逐句独立控制，覆盖所有其他设置 | | 2 | 滑块向量 | 8 个滑块全局生效（无标签时） | | 3 | `use_emo_text` | Qwen 自动推断（无标签无滑块时） | | 4 (最低) | `emotion_audio` | 从参考音频提取情感 | > [!NOTE] > 如果文本含标签，则标签内的段落使用标签情感；**无标签的段落**继续使用滑块或其他全局设置。 - **✅ 依赖版本兼容性 (Dependency Compatibility)**: AIIA 已内置深度兼容层，**完美支持 `transformers` 4.57+**。 > [!NOTE] > IndexTTS-2 的官方代码基于 `transformers 4.52`，与最新版本存在多处 API 不兼容。AIIA 通过预注入 5 个兼容补丁（`QuantizedCacheConfig`、`_crop_past_key_values`、`NEED_SETUP_CACHE_CLASSES_MAPPING`、`QUANT_BACKEND_CLASSES_MAPPING`、`SequenceSummary`），确保在最新环境下正常运行。 - **⚠️ 模型下载 (Model Download)**: IndexTTS-2 除了主模型外，还依赖 **4 个外部子模型**。AIIA 节点支持**全离线加载**，建议将所有模型统一放入 `ComfyUI/models/indextts2/`。 **目录结构 (Directory Structure)**: ```text ComfyUI/models/indextts2/ ├── config.yaml ├── gpt.pth <-- 主模型 ├── s2mel.pth <-- 主模型 ├── bpe.model ├── feat1.pt ├── feat2.pt ├── wav2vec2bert_stats.pt ├── qwen0.6bemo4-merge/ <-- 情感 LLM │ ├── semantic_codec/ <-- [外部] MaskGCT │ └── model.safetensors ├── campplus_cn_common.bin <-- [外部] Campplus ├── bigvgan_v2_22khz_80band_256x/ <-- [外部] BigVGAN └── w2v-bert-2.0/ <-- [外部] W2V-BERT ``` **一键下载命令 (Download Commands)**: > [!TIP] > **国内用户推荐使用 HF Mirror**，下载速度更快且无需代理。 ```bash cd ComfyUI/models # 1. 下载主模型 HF_ENDPOINT=https://hf-mirror.com huggingface-cli download IndexTeam/IndexTTS-2 --local-dir indextts2 # 2. 下载外部子模型 (直接放入 indextts2 目录) cd indextts2 # MaskGCT (只需 semantic_codec/model.safetensors) HF_ENDPOINT=https://hf-mirror.com huggingface-cli download amphion/MaskGCT semantic_codec/model.safetensors --local-dir . # Campplus HF_ENDPOINT=https://hf-mirror.com huggingface-cli download funasr/campplus campplus_cn_common.bin --local-dir . # BigVGAN (下载整个文件夹) HF_ENDPOINT=https://hf-mirror.com huggingface-cli download nvidia/bigvgan_v2_22khz_80band_256x --local-dir bigvgan_v2_22khz_80band_256x # W2V-BERT 2.0 (下载整个文件夹，排除大文件 checkpointers) HF_ENDPOINT=https://hf-mirror.com huggingface-cli download facebook/w2v-bert-2.0 --local-dir w2v-bert-2.0 --exclude "*.pt" ``` > [!NOTE] > 如果本地目录中未找到上述子模型，节点会自动尝试从 HuggingFace 在线加载（缓存到 `~/.cache/huggingface`）。 > **首次加载**时，WeTextProcessing 库需要编译中文文本正则化的 FST 语法（耗时约 3-5 分钟），后续启动会直接读取缓存。 #### 💡 用户实测与选型指南 (Model Comparison & Selection) **选型建议**: - **追求“听起来最像真人” (音质+音色)**: 选 **VoxCPM 1.5**。它的 Tokenizer-free 架构带来了质的飞跃。 - **追求“方言/多语言/稳定性”**: 选 **CosyVoice 3.0**。目前依然是生产环境最稳的选择。 - **追求“多样化音色设计/最新 Qwen 生态/长语音流畅度”**: 选 **Qwen3-TTS**。其 VoiceDesign 功能能让你用描述语“捏”出从未听过的声音。 - **追求“情感精细控制/音色情感解耦”**: 选 **IndexTTS-2**。独立的 8 维情感控制、内联情感标签（逐句不同情感）和情感音频参考是其独有优势。 - **要做“长篇广播剧/播客”**: 选 **VibeVoice**。它的长窗口上下文优势依然不可替代。 ### 4. 播客与对话生成 (Podcast & Dialogue Generation) https://github.com/user-attachments/assets/9a5502c5-79e3-4fc8-8a2d-2cbdbdbbc860 > 🎬 **点击观看演示视频** (GitHub 限制，需要手工取消静音) 🚀 **新增功能**：这是专门为生成双人对话、相声、广播剧设计的完整工作流节点。能够自动解析剧本、调度多角色 TTS，并实现长音频的智能拼接。 #### 4.1 AIIA Podcast Script Parser (脚本解析器) 负责将自然语言剧本转换为机器可读的结构化数据。 - **Script Text**: 剧本输入区域。 - **基本格式**: `角色名: 台词` (例如 `A: 大家好`) - **暂停控制**: `(Pause N)` (例如 `(Pause 0.5)` 表示暂停 0.5 秒) - **情感标签** (仅 CosyVoice): `[Emotion] 台词` (例如 `[Happy] 大家好`) - **Speaker Mapping**: 角色映射配置 (可选)。 - 格式: `原剧本角色名=A`, `原剧本角色名=B` - 示例: `Teacher=A`, `Student=B` #### 4.2 AIIA Emotion Annotator (LLM 情感标注) **[v1.13.0 New]** 使用 LLM 自动为对话剧本中的每句台词标注情感，无需手工逐句添加 `[Happy]` 等标签。 ##### 定位与流程 插入在 **Script Parser → TTS** 之间，作为可选的中间处理环节： ``` Script Parser → Emotion Annotator → Dialogue TTS / Qwen Dialogue TTS ↓ ↓ 写入 emotion 字段 读取 emotion 字段 "Happy" / "Calm" → CosyVoice: [Happy]文本 null (neutral) → 原文直读 ``` > **无侵入设计**：如果不连接此节点，工作流行为与之前完全一致。连接后自动生效，对下游 TTS 透明。 ##### 参数说明 | 参数 | 说明 | |------|------| | `dialogue_json` | 来自 Script Parser 的对话 JSON（连线输入） | | `model` | LLM 模型选择：`llama-3.1-8b-instant` (默认/最快)、`llama-3.3-70b-versatile`、`qwen-qwq-32b`、`deepseek-r1-distill-llama-70b`、`gemma2-9b-it` | | `override_mode` | `skip_existing`：保留剧本中已有的手工标签，只标注未标注的句子；`overwrite_all`：覆盖所有标签 | | `api_base_url` | API 端点，默认 `https://api.groq.com/openai/v1`。支持任何 OpenAI-compatible API（Ollama、vLLM 等） | | `api_key_override` | API Key。留空则自动读取环境变量 `GROQ_API_KEY` | | `custom_model` | 自定义模型名（覆盖下拉选择，用于 Ollama 等自建服务） | | `proxy_url` | HTTP/SOCKS5 代理地址。留空则使用环境变量 `HTTPS_PROXY` | ##### 工作原理 1. **收集台词**：从 `dialogue_json` 中提取所有 `type: "speech"` 的条目 2. **构造 Prompt**：将台词编号后发送给 LLM，附上 24 种预定义情感标签，要求 LLM 从中选择 3. **解析响应**：将 LLM 返回的 JSON 数组解析为 `{行号: 情感}` 映射 4. **写回标签**：将情感标签（如 `"Happy"`、`"Calm"`）写入每条台词的 `emotion` 字段 5. `neutral` 的句子不注入标签（`emotion: null`），TTS 以自然语调朗读 ##### 支持的 24 种情感标签 `neutral` · `happy` · `sad` · `angry` · `excited` · `gentle` · `fearful` · `surprised` · `disappointed` · `serious` · `calm` · `romantic` · `sarcastic` · `proud` · `confused` · `anxious` · `disgusted` · `nostalgic` · `mysterious` · `enthusiastic` · `lazy` · `gossip` · `innocent` · `nervous` ##### 下游兼容性 | TTS 引擎 | 消费方式 | 效果 | |----------|---------|------| | **CosyVoice** | `[Happy] 文本...` 格式注入 | ✅ 精准情感控制 | | **Qwen3-TTS (CustomVoice)** | 提取标签 → `instruct` 指令（按情感自动拆批） | ✅ 自动按情感分批生成 | | **Qwen3-TTS (Base)** | 自动清洗标签（Base 模型不支持 instruct） | ✅ 标签被清洗，不影响克隆 | | **VibeVoice** | 自动清洗 `[Emotion]` 标签后生成 | ✅ 无影响，不会朗读标签 | > **Qwen3 智能分批**：当使用 Qwen3 Dialogue TTS 时，连续相同情感的句子会自动合并为一个批次，情感变化时自动拆分为新批次，确保每个批次的 `instruct` 只包含单一情感，语义准确。 > **VibeVoice 安全保障**：VibeVoice Standard / Realtime 节点在文本预处理阶段会自动清洗所有 24 种情感标签（如 `[Happy]`、`[Calm]`），因此即使通过 Podcast Splitter 传递了嵌标签的文本，VibeVoice 也不会将其作为普通文字朗读。 > **优先级规则**：如果用户在 Qwen3 节点的 UI 下拉框中手动选择了情感，该选择将**优先于**文本中的内嵌标签。标签仍会被清洗，但不会覆盖 UI 设置。 ##### 典型工作流 **对话流程**（适合大多数场景）： ``` Script Parser → Emotion Annotator → Dialogue TTS → Video Combine ``` **单人旁白流程**（配合 Text Splitter）： ``` 长文本 → Text Splitter → Emotion Annotator → Qwen3 TTS / CosyVoice ``` **高级拆分流程**（多引擎混合）： ``` Script Parser → Emotion Annotator → Podcast Splitter → TTS_A (CosyVoice) → TTS_B (VibeVoice) → Podcast Stitcher ``` #### 4.3 AIIA Text Splitter (文本拆分器) **[v1.13.0 New]** 将单人长文本按标点拆分为标准 `dialogue_json`，使其可直接接入 Emotion Annotator → TTS 管线。 ##### 参数说明 | 参数 | 说明 | |------|------| | `text` | 待拆分文本（多行/长段落） | | `speaker_name` | 说话人名称，默认 `Narrator` | | `split_mode` | `auto`：智能拆分（句末标点 + 短句合并 + 长句再拆）；`by_sentence`：仅按句号/问号/感叹号拆分；`by_line`：按换行拆分 | | `min_chars` | 最小字符数，短于此的句子合并到前一句。默认 `4` | | `max_chars` | 最大字符数，超长句子在逗号/分号处强制拆分。默认 `100` | ##### 拆分行为 (`auto` 模式) 1. **按换行分段** → 保留段落结构 2. **段内按句末标点拆分** → `。！？!?…` 和省略号 `……` / `...` 3. **短句合并** → 短于 `min_chars` 的句子追加到前一句 4. **长句拆分** → 超过 `max_chars` 的句子在逗号/分号处再切 ##### 输出 - `dialogue_json`：标准格式，与 Script Parser 输出兼容，可直接接入 Emotion Annotator / Dialogue TTS - `sentence_count`：拆分后的句子数 #### 4.4 AIIA Dialogue TTS (对话生成引擎) 核心调度与生成节点，支持自动角色切换和长音频拼接。 - **TTS Engine**: 后端引擎选择。 - **CosyVoice**: 精准控制型。 - **Qwen3-TTS**: 万能旗舰型。支持混合模式：通过连接多个 Qwen 模型，可实现在一个对话中同时使用克隆和内置音色。 - **Qwen Model Pins (Multi-Routing)**: - `qwen_model`: 默认主模型。 - `qwen_base_model` (可选): 连接 `Base` 模型，专门处理有参考音频 (Clone) 的角色。 - `qwen_custom_model` (可选): 连接 `Custom` 模型，专门处理使用内置 ID (Presets) 的角色。 - `qwen_design_model` (可选): 连接 `VoiceDesign` 模型，专门处理复杂描述的角色。 - **Ref Audio**: 参考音频 (用于 Zero-Shot 克隆)。 - **ID**: 内置音色 ID (如 CosyVoice 的 `Chinese Female`)。 - **Batch Mode**: 生成模式控制。 - `Natural (Hybrid)`: 混合批处理。仅在 `(Pause)` 处断开。语流最自然，但可能发生音色泄漏。 - `Strict (Per-Speaker)`: 严格模式。每句话都会强制断开重置。彻底杜绝音色泄漏，但对话流畅度略低。 - `Whole (Single Batch)`: 全量模式。无视所有暂停，一次性生成整本剧本。连贯性最强，但无法控制停顿时间。 - **Batching Parameters**: - `max_batch_char` (Default 1500): 单次批处理的最大字符上限。增加此值可大幅提升 Qwen3 的对话连贯性和情感一致性。最高支持模型上限 **32,768**。 - **Emotion Safeguard (New!)**: - **智能检测**: 系统会自动嗅探加载模型的元数据。如果你使用 CosyVoice SFT/Base 或 VibeVoice 等不支持 `Instruct` 功能的模型，系统将自动跳过 `[Emotion]` 标签插入，防止模型读出方括号。 #### 4.5 AIIA Qwen Dialogue TTS (Qwen 旗舰对话节点) **[v1.11.0 New]** 深度集成 Qwen3-TTS 的多模式特性，支持复杂的混合角色场景。 - **Parameters**: - `seed`: 随机种子。 - `speed`: 语速调节。 - `cfg_scale`: 指令遵循强度 (Classifier-Free Guidance)。建议值 1.5 - 7.0。 - `emotion`: **[v1.11.1 New]** 选中预设情感（开心、悲伤、幽默、愤怒等系统预置微调）。 - `dialect`: **[v1.11.1 New]** 选中预设方言（粤语、上海话、东北话、四川话等）。 - `temperature`: 采样温度。 - `max_batch_char`: 单次批处理上限（最高 32,768）。 - **Speaker A/B/C Configuration**: - **Mode**: 选择 `Clone` (音色克隆)、`Preset` (官方预设) 或 `Design` (文字设计)。 - **ID**: 当模式为 Preset 时，输入预设音色名 (如 `Vivian`, `Serena`, `Uncle_Fu`, `Dylan`, `Eric`, `Ryan`, `Aiden`, `Ono_Anna`, `Sohee`)。 - **Expression**: (New!) 为当前角色选择专属微表情描述。 - **Dialect**: **[v1.11.1 New]** 为当前角色选择方言/口音（支持粤语、上海话、四川话、东北话等）。 - **Design Description**: 当模式为 Design 时，输入对音色的详细自然语言描述。 - **Ref Audio**: 当模式为 Clone 时，连接参考音频。 - **特点**: 相对于通用对话节点，此节点能根据每个人的模式自动路由到最合适的 Qwen 引擎，且支持在 UI 直接输入设计描述。 #### 4.6 AIIA Subtitle Gen (字幕生成器) **[v1.7.0 New]** 无需 STT，直接从生成过程中提取精准时间轴。 - **Input**: - `segments_info`: 来自 `AIIA Dialogue TTS` 或 `AIIA Generate Segments` 的输出。 - `calibration_info` (可选): **[v1.10.2 新增]** 接入 `AIIA Generate Speaker Segments` 的输出。用于将估算的时间轴自动“吸附”到真实的 VAD 语音活动区间，解决 VibeVoice 等批处理引擎的时间轴偏移问题。 - **Output**: - `SRT`: 通用字幕格式。 - `ASS`: 高级排版字幕格式 (自动区分角色颜色)。 - **原理**: - **CosyVoice**: 使用生成时的精确时长。 - **VibeVoice**: 使用**智能插值算法 (Smart Interpolation)**，根据字符长度自动计算长音频段内的单句时间轴。 - **Qwen3-TTS**: 基于生成的音频振幅精准断句，支持多角色时间轴导出。 #### 4.7 AIIA Subtitle to Segments (字幕转分段) **[v1.10.3 New]** 将现有的 SRT/ASS 字幕文件转换为 `segments_info` 格式，以便进行时间轴重新校准。 - **Input**: - `subtitle_text`: SRT 或 ASS 格式的文本内容。 - `subtitle_path` (可选): 字幕文件的本地路径（如果提供，将优先读取文件）。 - **Output**: - `segments_info`: 标准化的 JSON 字符串，可直接输入到 `AIIA Subtitle Gen`。 - **用途**: 结合 `Subtitle Gen` 的 `calibration_info` 输入，可以将**旧的、不准的字幕**自动对齐到**新的、精准的音轨**上。 #### 4.8 AIIA Subtitle Preview (字幕预览) **[v1.7.1 New]** 实时校验音画同步效果。 - **Input**: - `subtitle_content`: 来自 `Subtitle Gen` 的 `srt_content` 或 `ass_content`。 - `audio` (Optional): 待预览的音频。 - **Output**: - **交互式界面**: 提供 Web 播放器，按时间轴滚动显示字幕。 - **ASS 样式渲染**: 尝试还原 ASS 字幕的字体颜色、大小和描边效果。 #### 4.9 Interactive Teaching (Web Export) (互动式教学导出) **[v1.8.1 New]** 将播客升级为视听同步的互动网页。支持“读写分离”的缓存优化，修改 Visual 标签无需重跑 TTS。 - **工作流 (Workflow)**: 1. `Script Parser` 输出 `tts_data` (连接到 TTS) 和 `full_script` (连接到 Merge)。 2. `AIIA Dialogue TTS` 生成音频和 `segments_info`。 3. `AIIA Segment Merge` 将 `full_script` 中的 Visual 标签重新贴回到 `segments_info` 时间轴上。 4. `AIIA Web Export` 生成最终 HTML。 - **Input**: - `audio`: 音频信号。 - `segments_info`: 来自 Merge 节点的包含 Visual 信息的 JSON。 - `template`: `Split Screen` (适合宽屏) 或 `Presentation` (适合演示)。 - **Visual Tag 语法**: - 在剧本中插入 `(Visual: url)`。 - 支持绝对 URL: `(Visual: https://example.com)` - 支持相对路径: `(Visual: ./slides/01.jpg)` (相对于导出 HTML 的位置) #### 4.10 AIIA Podcast Splitter (对话拆分器) **[v1.12.0 New]** 将对话 JSON 按说话人拆分为独立文本列表，用于"**拆分→生成→拼接**"的高级流程。 - **Input**: - `dialogue_json`: 来自 `Script Parser` 的对话 JSON。 - **Output**: - `split_map`: 拆分映射表（JSON），保存原始顺序和各句话归属信息。 - `text_A`, `text_B`: 分别为说话人 A、B 的纯文本列表（每行一句），可直接送入各自的 TTS 节点独立生成。 - **用途**: 实现对不同说话人使用不同 TTS 引擎/参数生成音频，再通过 Stitcher 精确拼接的高级工作流。 #### 4.11 AIIA ASR Node (语音识别) **[v1.12.0 New]** 基于 FunASR 的语音识别节点，输出带词级时间戳的识别结果，为 Stitcher 提供精确对齐依据。 - **Input**: `audio` (AUDIO 张量)。 - **Output**: `ASR_RESULT`（包含词级时间戳的识别结果）。 - **依赖**: 需要安装 `funasr` 库。模型首次运行时自动下载。 #### 4.12 AIIA Podcast Stitcher (精确拼接器) **[v1.12.0 New]** 将分轨生成的多角色音频按原始对话顺序精确拼接，还原自然对话节奏。 - **核心工作原理**: 1. 利用 ASR 词级时间戳找到每句话在各自音频中的时间边界。 2. 通过三层匹配策略（精确子串→编辑距离模糊→等分回退）实现鲁棒对齐。 3. 在切分边界处进行精细微调（能量检测或 VAD），确保不切断语音、不吃进相邻句子。 4. 对切片施加余弦淡入淡出，并在说话人切换处插入自然过渡间隙。 - **Input**: - `split_map`: 来自 Splitter 的拆分映射。 - `audio_A`, `audio_B`: 各说话人独立生成的完整音频。 - `asr_A`, `asr_B`: 对应的 ASR 识别结果。 - **Parameters**: - `gap_duration` (Default 0.25s): 说话人交替时的过渡间隙。 - `padding` (Default 0.10s): 切片前后保留的呼吸/尾音余量。 - `fade_ms` (Default 30ms): 余弦淡入淡出时长。 - `use_vad` (Default False): **🔬 启用 Silero VAD 精确边界检测**。 - 开启后，使用 Silero VAD 神经网络模型（~2MB，首次自动下载）替代基于能量的边界检测。 - VAD 能精确识别语音起止点，彻底解决清辅音误切、尾音截断等能量检测的固有缺陷。 - 关闭时使用内置的**平滑能量包络检测**（20ms 窗口 + 5-point 滑动平均），已能应对大部分场景。 - `use_forced_align` (Default False): **🎯 启用 MMS Forced Alignment 字级强制对齐**。 - 使用 Facebook MMS 声学模型（~1.2GB）对文本和音频进行字级强制对齐，精度最高。 - 中文文本自动转换为拼音（pypinyin）后送入模型。 - 当与 `use_vad` 同时启用时，三种方法（FA/VAD/Energy）全部运行，输出 IoU 匹配度用于质量评估。 - 模型首次使用时自动下载，成功后会自动复制到 `models/mms_fa/model.pt` 以便后续直接加载。 - **手动下载**（适用于网络受限环境）： ```bash # 方法 1：直接下载 torchaudio 官方权重 mkdir -p ComfyUI/models/mms_fa wget -O ComfyUI/models/mms_fa/model.pt \ "https://dl.fbaipublicfiles.com/mms/torchaudio/ctc_alignment_mling_uroman/model.pt" # 方法 2：从 HuggingFace 镜像下载 pip install huggingface_hub huggingface-cli download facebook/mms-fa --local-dir ComfyUI/models/mms_fa ``` - **Output**: 拼接后的完整 `AUDIO` + `segments_info` (JSON)。 #### 💡 引擎选型与最佳实践 (Best Practices) | 特性 | **CosyVoice** | **VibeVoice** | **Qwen3-TTS** | | :----------------- | :----------------------------------------- | :----------------------------------------------------------------------------------------------- | :------------------------------------------ | | **核心优势** | **精准控制 (Instruction)** | **自然演绎 (Context-Aware)** | **万能旗舰 (Voice Design)** | | **情感控制** | ✅**支持** (使用 `[Happy]` 等标签) | ❌ 不支持显式标签 (依赖上下文) | ✅**支持** (通过 `instruct` 或标签) | | **生成逻辑** | **逐句生成** (严格遵循每句话的指令) | **混合批处理** (Hybrid Batching) | **动态引擎** (支持流式与批处理) | | **最佳场景** | 需要精确指定某句话语气、方言时 | 长篇对话、广播剧、闲聊 | 音色定制、高质量配音、极速克隆 | | **使用建议** | 可以在剧本中详细标注情感。 | **尽量减少 `(Pause)`**！`
`让多句对话连在一起，模型能更好地联系上下文产生自然语气。 | 尝试使用其 Voice Design 进行创意捏人。 | #### 📝 综合测试剧本 (Example Script) 复制以下内容到 Script Parser 进行测试，能够充分体现两种引擎的特性： ```text # 这是一个展示 CosyVoice 和 VibeVoice 能力的综合剧本 # 角色映射建议：A=男声, B=女声 A: 大家好，欢迎来到 AIIA 播客直播间。 B: [开心] 哇，今天的人气好高啊！看到这么多朋友在线，我太激动了。 (Pause 0.5) A: 呵呵，淡定一点。即使是 VibeVoice 这种基于 LLM 的模型，也需要你保持从容。 B: [疑惑] 为什么？难道它不喜欢太吵闹的声音吗？ A: 不是不喜欢，而是因为它会“读取”上下文。你越自然，它演得越像。 (Pause 0.8) A: 比如说，如果我们用 CosyVoice，我可以强行指定你现在的状态。 B: [悲伤] 比如让我突然变得很伤心？ A: 对，就像这样。CosyVoice 是“指哪打哪”，非常听话。 (Pause 0.5) B: [机器人的方式] 那如果我变成一个机器人呢？可以吗？ A: 哈哈，完全没问题。 (Pause 1.0) A: 但是，如果你想演一场相声，或者很自然的闲聊，VibeVoice 的“混合批处理”就是神技了。 B: [excited] 也就是它会把我们现在说的这一长串话，一口气生成出来？ A: 没错！只要我们中间不加 Pause，它就会一口气读完，语气极其连贯，就像真人对话一样。 B: 太神奇了！那我们快去生成试试吧！ ``` ### 5. 图像工具 (Image Utilities) #### Image Concatenate (AIIA Utils, Disk) - **用途**: 将两个图像序列（来自两个不同的目录）逐帧拼接在一起，非常适合创建**对比视频**或**多面板视频**。 - **核心亮点 (OOM-Safe)**: 此节点**逐帧读取、处理和保存**，从不将整个图像序列加载到内存中，因此可以处理任意数量的帧。 - **功能**: - 支持上下左右四个方向的拼接。 - 可自动调整其中一个图像序列的尺寸以匹配另一个，并保持宽高比。 - 可自定义背景填充颜色。 - **输出**: `STRING` (包含所有拼接后帧的新目录路径)。 #### AIIA Image Smart Crop (智能图像裁切) - **用途**: 一个功能全面的智能裁切节点，专为解决人脸比例、视频构图等问题设计。 - **场景**: 强烈建议在 **Ditto Sampler** 或其他视频生成节点之前使用，以确保输入图像（特别是人脸）处于最佳位置和比例，避免“嘴巴太大”或“五官漂移”等问题。 - **参数**: - `crop_basis`: 裁切基准。 - `fixed_width` / `fixed_height`: 锁定一条边 (使用 width/height 参数)，另一条边自适应。 - `fixed_long_side`: **匹配原图长边**。裁切出的长边长度等于原图长边长度 (忽略 width/height 参数)。 - `fixed_short_side`: **匹配原图短边**。裁切出的短边长度等于原图短边长度 (忽略 width/height 参数)。适合“最大化裁切”。 - `custom_size`: 强制裁切为指定的 `width` x `height`。 - `aspect_ratio`: 裁切比例。 - 默认为 `original` (保持原图比例或使用 custom_size 的宽高)。 - 可选 `1:1`, `16:9`, `custom` 等。 - 选择非 original 时，会根据 `crop_basis` 自动计算另一条边的长度。 - `custom_aspect_ratio`: 自定义比例值 (例如 2.35)。仅在 `aspect_ratio` 选 `custom` 时生效。 - `position`: 锚点位置 (九宫格)。支持 `center`, `top`, `bottom_left` 等。 - `offset_x` / `offset_y`: 相对偏移量。用于在自动定位的基础上进行微调 (范围 -1.0 到 1.0)。 - **输出**: `IMAGE` (裁切后的图像)。 --- ### 6. 调试与实用工具 (Debug & Utilities) #### 6.1 文本调试拼接 (Text Debug Splicer) - **用途**: 方便地将多段文本拼接为一个字符串，支持自定义标题和分隔符，常用于构建和调试复杂的 Prompt 或记录中间结果。 - **功能**: - **多路输入**: 支持最多 3 路文本输入 (`text_1`~`3`) 和自定义标题 (`title`)。 - **灵活分隔**: 内置多种常用分隔符 (换行、分割线等)。 - **自动归档**: 支持将拼接结果自动保存为 `.txt` 文件，文件名支持**自定义前缀** (save_prefix)，方便回溯。 - **输出**: `STRING` (拼接后的文本)。 #### 6.2 JSON 提取器 (AIIA JSON Extractor 🔑) - **用途**: 从 `STRING` 类型的 JSON 字符串中，按 key 路径提取指定字段的值。无需依赖第三方 JSON 节点，完全基于 `STRING` 类型，兼容所有上下游节点。 - **功能**: - **嵌套路径**: 支持 dot 路径 + 数组索引，例如 `data.items[0].name`、`[2].speaker`。 - **多类型输出**: 同时输出 `STRING`、`INT`、`FLOAT`、`BOOLEAN`，自动安全转换。 - **鲁棒容错**: JSON 格式错误、key 不存在、类型不匹配等情况**不会崩溃**，统一返回 `fallback` 默认值。 - **自动清理**: 自动处理 BOM、首尾空白等常见 JSON 字符串问题。 - **输入**: - `json_string` (STRING, forceInput) — 待解析的 JSON 字符串 - `key_path` (STRING) — 提取路径，例: `name`, `data.items[0].text`, `[2].speaker` - `fallback` (STRING, 可选) — 解析失败时的默认值 - **输出**: `value` (STRING), `value_int` (INT), `value_float` (FLOAT), `found` (BOOLEAN) **路径语法示例:** | 路径 | JSON 示例 | 提取结果 | |---|---|---| | `name` | `{"name": "Alice"}` | `Alice` | | `data.count` | `{"data": {"count": 42}}` | `42` | | `items[0].text` | `{"items": [{"text": "Hello"}]}` | `Hello` | | `[2].speaker` | `[{}, {}, {"speaker": "B"}]` | `B` | | *(空)* | `{"a": 1}` | 返回整个 JSON | #### 6.3 JSON 构建器 (AIIA JSON Builder 🏗️) - **用途**: 将多组 key-value 组装为 JSON 对象字符串，方便下游节点消费。 - **功能**: - 支持最多 **4 对** key-value 输入。 - 值如果是合法 JSON（数组、对象、数字、布尔），会自动解析为对应类型而非字符串。 - **输入**: `key_1` + `value_1` (必填), `key_2`~`key_4` + `value_2`~`value_4` (可选) - **输出**: `json_string` (STRING) --- ## ❓ 故障排查 - **错误: "FFmpeg not found" / "NeMo model not found"** - 请返回阅读 [安装与先决条件](#-安装与先决条件) 部分，确保所有依赖都已正确安装和放置。 - **错误: "帧目录验证失败"** - 请确保您填写的路径是**绝对路径**且真实存在。 ## 许可证 本项目采用 [MIT 许可证](LICENSE)。 --- ## Changelog ### [1.14.2] - 2026-02-17 - **NeMo Diarization 兼容性修复**: 修复 PyTorch 2.10+ 环境下 NeMo 说话人分割(`diarize()`)因 lhotse 1.32 不兼容报 `object.__init__() takes exactly one argument` 的崩溃。 - 自动检测 PyTorch 版本，仅在 >= 2.10 时 monkey-patch `CutSampler.__init__`，移除已废弃的 `data_source` 参数。 - **JSON Extractor 节点** (New): 从 `STRING` 类型的 JSON 字符串中按 key 路径提取值，支持嵌套路径和数组索引（如 `data.items[0].name`）。 - 多类型输出：`STRING`、`INT`、`FLOAT`、`BOOLEAN`。 - 鲁棒容错：JSON 格式错误、key 不存在时返回 `fallback` 默认值，不会崩溃。 - **JSON Builder 节点** (New): 将多组 key-value 组装为 JSON 对象字符串，支持最多 4 对输入。 - **Qwen3-TTS Voice Preset**: 新增 `voice_preset` 下拉框（Female_HQ/Male_HQ/Female/Male），无需手动接入参考音频即可使用内置音色，自动启用 Zero-Shot 模式。 - **Qwen3-TTS 鲁棒性**: `reference_text` 为空或字面值 `"None"` 时自动切换到 Zero-Shot 模式，防止意外走入慢速 ICL 模式。 - **CosyVoice 参考音频限制**: 参考音频超过 30 秒时自动截断，防止 `AssertionError`。 ### [1.12.0] - 2026-02-16 - **Podcast Stitcher - MMS Forced Alignment 集成**: 新增 `use_forced_align` 开关，使用 Facebook MMS 声学模型（~1.2GB）进行字级强制对齐。 - 中文文本自动转拼音（pypinyin），英文自动小写化以兼容 MMS_FA tokenizer。 - **混合切割策略**: FA 精确定位语音起点 + 能量检测定位自然收尾点，兼顾起音精准与尾音完整。 - **重叠防护**: 尾部扩展不会吃进下一句 FA 起点，取中点并保底不低于 FA 原始终点。 - **三方法交叉验证**: FA + VAD + Energy 同时启用时，输出 IoU 匹配度（`✂️ USED` / `🔬`），方便评估各方法精度。 - 优先级: FA > VAD > Energy，FA 缺失时自动回退。 - 模型支持从 `models/mms_fa/model.pt` 本地加载，避免重复下载。 ### [1.11.1] - 2026-02-15 - **Video Combine**: 新增 `cleanup_frames` 开关（默认关闭）。 - 开启后，视频合成成功时自动删除输入的 `frames_directory`，减少磁盘空间占用。 - **防误删安全机制**: 引入 `.aiia_temp` 标记文件，只有 AIIA 节点自动生成的帧目录才会包含此标记，用户提供的素材目录不会被误删。 - **ToDisk 节点安全标记**: 所有产生帧输出的节点（`FloatProcess_ToDisk`、`DittoSampler` 磁盘模式、`PersonaLive_ToDisk`、`BodySway`）现在会在输出目录中写入 `.aiia_temp` 标记文件。 ### [1.11.0] - 2026-02-04 - **Qwen3-TTS**: 新增阿里巴巴 **Qwen3-TTS** 全系列支持。 - **🤖 Qwen3-TTS Loader**: 支持加载 Base, CustomVoice, VoiceDesign 及其 1.7B/0.6B 版本。 - **🗣️ Qwen3-TTS Synthesis**: 实现全功能生成，包括 Zero-shot 克隆、音色设计和内置音色合成。 - **Podcast Integration**: **AIIA Dialogue TTS** 节点现在正式集成 Qwen3-TTS 引擎。 - 支持多角色混合场景下的 Qwen3 驱动，支持使用脚本标签触发 `instruct`。 - **Auto-Dependency**: 首次运行 Qwen3 节点会自动检测并安装 `qwen-tts` 库。 ### [1.10.17] - 2026-02-03 - **Subtitle**: 引入“说话人 ID 为了映射 (Speaker Mapping)”机制。 - 在字幕校准过程中，系统会建立脚本角色与 VAD 检测角色的对应关系。这确保了即使在短句重叠（Spillover）的情况下，字幕也能强制匹配到正确的说话人音频，避免被相邻的音量大/时长长的角色“抢走”。 ### [1.10.16] - 2026-02-02 - **Subtitle**: 优化了多片段合并逻辑，引入“贪婪说话人占用”原则。 - 对于同一说话人的连续音频片段，只要中间没有被其他说话人占用且停顿小于 3s，都会自动合并到当前行字幕中。解决多句/长句被意外截断的问题。 ### [1.10.15] - 2026-02-02 - **Subtitle**: 修复了字幕时间校准逻辑中的 Bug。 - 增加了说话人一致性检查，防止上一句音频片段（VAD Chunk）被错误地共享给下一个不同说话人的句子，从而导致当前句字幕被截断。 ### [1.10.14] - 2026-02-02 - **Ditto Sampler**: 修复了由于 `comfy.model_management` 接口版本差异导致的 `AttributeError`。 ### [1.10.13] - 2026-02-02 - **Ditto Sampler**: 修复了采样过程中无法正常响应 ComfyUI 中断/取消信号的问题。 - 为所有工作线程增加了超时检测和状态轮询，支持在长任务执行期间即时退出。 ### [1.10.12] - 2026-02-02 - **Debug & Utilities**: 新增 **Text Debug Splicer** 节点。 - 支持多路文本拼接、自定义分隔符和自动文件归档。 ### [1.9.0] - 2026-01-20 - **Ditto Talking Head**: 新增 Ditto 模型支持 (PyTorch 版)。 - **AIIA Ditto Loader**: 支持自动下载与加载。 - **AIIA Ditto Sampler**: 支持内存内流式生成。 - **EchoMimic V3**: 优化了音频同步逻辑，修复了唇形漂移问题。 ### [1.8.4] - 2026-01-19 - **VibeVoice Speed Control**: 实现了基于系统 `sox` 命令的**变速不变调**（Time Stretching）。 - **稳定性修复**: - 修复了 VibeVoice 在调整速度时由于张量类型不匹配（Half vs Float）导致的崩溃。 - 强制所有音频输出为 `float32`，解决了在 `speed=1.0` 且有参考音频时，下游节点（如 Resemble Enhance）报错的问题。 - **依赖更新**: 新增 `sox` 依赖。Linux 服务器用户请确保安装系统库：`sudo apt-get install libsox-dev sox`。 ### [1.8.3] - 2026-01-07 - **VibeVoice TTS (Standard)**: `reference_audio` 变为可选参数。如果不输入，节点会自动加载内置的高品质女声种子，方便快速测试。 - **Fix**: 修复 GitHub Actions 发布的子模块错误。 ### [1.8.1] - 2026-01-05 - **互动式教学 (Interactive Teaching)**: 新增 `AIIA Web Export` 节点，一键生成包含播放器、字幕和同步 Visual 展示的 HTML 页面。 - **Visual Tag 支持**: 剧本解析器支持 `(Visual: url)` 标签，并支持相对路径。 - **缓存优化 (Caching)**: 实现了 Script Parser 的读写分离和 `Segment Merge` 节点，支持修改 Visual 标签而不触发 TTS 重生成。 - **字幕增强**: 修复了 ASS 字幕的多角色颜色显示问题 (自动分配颜色)。 ### [1.3.1] - 2026-01-03 本次更新标志着 CosyVoice 架构的**完全大一统**。通过“手术级”精准推理逻辑，我们成功解决了 300M 系列模型的所有顽疾。 #### ✅ 已完成 (Perfectly Supported) - **V3 系列 (0.5B)**: 完美支持。性别、方言、情感以及指令文本均能精准跟随。 - **V2 系列 (0.5B)**: 完美支持。 - **300M-Instruct (V1)**: **彻底修复 (Fully Fixed)**。 - **指令跟随修复**: 强制注入官方缺失的 `<|endofprompt|>` 边界标识，完美解决了模型将指令文本读出来的问题。 - **能力矩阵**: - ✅ **支持**: 情感控制 (Happy/Sad/Angry)、语速控制 (Fast/Slow)、基础性别 (Male/Female)。 > **Note**: 为了确保指令生效，**请务必使用英文描述** (如 "Sad tone", "Male speaker")。中文描述虽然不会导致报错，但模型极有可能忽略其语义。 > - ❌ **不支持**: 方言指令 (Dialect) - 此模型架构原生不支持通过指令更改方言 (无论中文或英文)，请使用 V3 或 V2 模型获取方言能力。 - **300M-SFT / Base (V1)**: 恢复原生巅峰音质。 - **稳定性**: 杜绝了 `AudioDecoder`、`KeyError` 以及 `llm_embedding` 缺失导致的各种崩溃。 #### 🔈 资源更新 - **HQ 种子音色**: 内置从 300M-SFT 提取的高保真男声/女声种子音频。在零参考音频的“指令模式”下，V2/V3 将自动调用这些高保真资源，消除破碎感。