ComfyUI Text-to-Speech: TTS-Nodes und Voiceover einbinden
ComfyUI verarbeitet Audio im Workflow, Text-to-Speech kommt meist aus einem Custom-Node-Paket. Das passt für Klonen und Experimente, doch die Modelle können groß sein und mit Bildmodellen um Grafikspeicher konkurrieren.
Diese Anleitung zeigt den Weg über Nodes und einen einfacheren: die Stimme als Datei erzeugen und in den Workflow laden.
TTS-Nodes in ComfyUI
Das bekannteste Paket ist TTS Audio Suite. Installieren Sie es über den ComfyUI Manager oder klonen Sie es nach ComfyUI/custom_nodes und folgen Sie den Installationsschritten. Es bündelt viele Engines hinter denselben Nodes, darunter ChatterboxTTS, F5-TTS, Higgs Audio, MOSS-TTS und Echo-TTS, dazu Stimmumwandlung mit RVC. Modelle können mehrere Gigabyte belegen, und die Lizenzen unterscheiden sich je Engine; lesen Sie sie vor kommerzieller Nutzung.
Wann eine fertige Stimme einfacher ist
Node-Pakete glänzen beim Klonen oder wenn Sie besondere Regler einer Engine brauchen. Für ein fertiges Voiceover muss nichts in ComfyUI laufen. Die kostenlose SuperClonica-Engine arbeitet auf einem normalen Prozessor und lässt die Grafikkarte Ihren Bild- und Videomodellen. Einen eigenen ComfyUI-Node hat SuperClonica nicht; die Verbindung ist eine Audiodatei.
Die Audiodatei erzeugen
Wählen Sie eine von rund 190 Stimmen im Katalog, von Sprechern bis zu Spiel- und Filmfiguren, und testen Sie auf ihrer Seite kostenlos einen Satz mit 30 bis 100 Zeichen. Für ein ganzes Skript installieren Sie die Engine mit python -m pip install superclonica-cpu und führen aus: superclonica --text-file script.txt --voice F2 --lang de --output voice.wav. Beim ersten Start lädt sie einmal das Modell, etwa 400 MB; danach läuft sie offline.
In den Workflow laden
Legen Sie voice.wav in den Ordner ComfyUI/input und fügen Sie einen Load-Audio-Node hinzu, der aus diesem Ordner liest. Verbinden Sie ihn zum Anhören mit Preview Audio. Für ein Video verbinden Sie Load Audio mit dem optionalen Audio-Eingang von Create Video, zusammen mit Ihren Frames, und geben Sie das Ergebnis an Save Video.
Stimme und Bild im Takt halten
Vertonen Sie zuerst das Skript und erzeugen Sie dann das Bild passend zur Länge: Die Dauer der Datei geteilt durch die Frame-Zeit ergibt die Zahl der Frames. Bei mehreren Szenen vertonen Sie jeden Satz als eigene Datei. Das Tempo ändern Sie in der Engine mit --speed: Ein höherer Wert ist schneller.