Synthèse vocale dans ComfyUI : nœuds TTS et ajout d’une voix off
ComfyUI gère l’audio dans un workflow, et la synthèse vocale vient en général d’un pack de nœuds personnalisés. C’est bien pour le clonage et les essais, mais les modèles peuvent être lourds et disputer la mémoire vidéo aux modèles d’image.
Ce guide présente la voie des nœuds et une plus simple : créer la voix en fichier et la charger dans le workflow.
Les nœuds TTS dans ComfyUI
Le pack le plus connu est TTS Audio Suite. Installez-le avec ComfyUI Manager ou clonez-le dans ComfyUI/custom_nodes et suivez ses étapes d’installation. Il réunit de nombreux moteurs derrière les mêmes nœuds, dont ChatterboxTTS, F5-TTS, Higgs Audio, MOSS-TTS et Echo-TTS, avec la conversion de voix par RVC. Les modèles peuvent peser plusieurs gigaoctets et les licences varient selon le moteur : lisez-les avant un usage commercial.
Quand une voix prête est plus simple
Les packs de nœuds sont utiles pour cloner une voix ou accéder aux réglages propres à un moteur. Pour une simple voix off finie, rien ne doit tourner dans ComfyUI. Le moteur gratuit SuperClonica fonctionne sur un processeur ordinaire et laisse la carte graphique à vos modèles d’image et de vidéo. SuperClonica n’a pas de nœud ComfyUI : le lien entre les deux est un fichier audio.
Créer le fichier audio
Choisissez parmi environ 190 voix du catalogue, des narrateurs aux personnages de jeux et de films, et testez gratuitement une phrase de 30 à 100 caractères sur sa page. Pour un script entier, installez le moteur avec python -m pip install superclonica-cpu et lancez : superclonica --text-file script.txt --voice F2 --lang fr --output voice.wav. Le premier lancement télécharge le modèle une fois, environ 400 Mo ; ensuite tout fonctionne hors ligne.
Le charger dans le workflow
Placez voice.wav dans le dossier ComfyUI/input et ajoutez un nœud Load Audio, qui lit ce dossier. Reliez-le à Preview Audio pour écouter. Pour l’ajouter à une vidéo, reliez Load Audio à l’entrée audio facultative de Create Video, avec vos images, puis envoyez le résultat à Save Video.
Garder la voix et l’image en phase
Enregistrez d’abord la voix, puis générez l’image à sa longueur : la durée du fichier divisée par le temps d’une image donne le nombre d’images. Pour plusieurs scènes, faites un fichier par réplique. Pour changer le rythme, utilisez --speed dans le moteur : une valeur plus élevée va plus vite.