Texto a voz en ComfyUI: nodos TTS y cómo añadir una locución
ComfyUI maneja audio en el flujo de trabajo, y el texto a voz suele venir de un paquete de nodos personalizados. Sirve para clonar y experimentar, pero los modelos pueden ser grandes y competir con los de imagen por la memoria de vídeo.
Esta guía explica la vía de los nodos y otra más simple: crear la voz como archivo y cargarla en el flujo.
Nodos TTS dentro de ComfyUI
El paquete más conocido es TTS Audio Suite. Instálalo con ComfyUI Manager o clónalo en ComfyUI/custom_nodes y sigue sus pasos de instalación. Reúne muchos motores tras los mismos nodos, entre ellos ChatterboxTTS, F5-TTS, Higgs Audio, MOSS-TTS y Echo-TTS, además de conversión de voz con RVC. Los modelos pueden ocupar varios gigabytes y las licencias varían según el motor, así que léelas antes de un uso comercial.
Cuándo es más simple una voz lista
Los paquetes de nodos destacan si clonas una voz o necesitas los controles especiales de un motor. Si solo quieres una locución terminada, no hace falta ejecutar nada dentro de ComfyUI. El motor gratuito de SuperClonica funciona en un procesador normal y deja la tarjeta gráfica a tus modelos de imagen y vídeo. SuperClonica no tiene nodo propio para ComfyUI; el enlace es un archivo de audio.
Crea el archivo de audio
Elige una de unas 190 voces del catálogo, desde narradores hasta personajes de juegos y películas, y prueba gratis en su página una frase de 30 a 100 caracteres. Para un guion entero, instala el motor con python -m pip install superclonica-cpu y ejecuta: superclonica --text-file script.txt --voice F2 --lang es --output voice.wav. La primera vez descarga el modelo, unos 400 MB; después funciona sin conexión.
Cárgalo en el flujo
Pon voice.wav en la carpeta ComfyUI/input y añade un nodo Load Audio, que lee de esa carpeta. Conéctalo a Preview Audio para escucharlo. Para añadirlo a un vídeo, conecta Load Audio a la entrada opcional de audio de Create Video, junto con tus fotogramas, y envía el resultado a Save Video.
Mantén voz e imagen a tiempo
Locuta primero el guion y genera después la imagen a su medida: la duración del archivo dividida por el tiempo de un fotograma da el número de fotogramas. Para varias escenas, locuta cada frase en un archivo. Para cambiar el ritmo, usa --speed en el motor: un valor mayor es más rápido.