ComfyUIの音声合成：TTSノードとナレーションの追加
ComfyUIはワークフローで音声を扱えますが、音声合成はふつうカスタムノードのパックで行います。声のクローンや実験には向きますが、モデルが大きく、画像モデルとビデオメモリを取り合うこともあります。
このガイドではノードを使う方法と、声をファイルで作ってワークフローに読み込む、より簡単な方法を紹介します。
ComfyUI内のTTSノード
代表的なパックはTTS Audio Suiteです。ComfyUI Managerでインストールするか、ComfyUI/custom_nodesにクローンして手順に従います。ChatterboxTTS、F5-TTS、Higgs Audio、MOSS-TTS、Echo-TTSなど多くのエンジンを同じノードで扱え、RVCによる声の変換もあります。モデルは数GBになることがあり、ライセンスはエンジンごとに違うので、商用利用の前に確認してください。
完成した声のほうが簡単なとき
ノードパックは声をクローンするときや、エンジン独自の設定が必要なときに役立ちます。完成したナレーションだけが必要なら、ComfyUI内で動かす必要はありません。無料のSuperClonicaエンジンは普通のCPUで動くので、グラフィックボードは画像や動画のモデルに使えます。SuperClonicaにComfyUI用のノードはなく、音声ファイルでつなぎます。
音声ファイルを作る
ナレーターからゲームや映画のキャラクターまで、カタログの約190の声から選び、各ページで30〜100文字のフレーズを無料で試せます。台本全体なら python -m pip install superclonica-cpu でエンジンをインストールし、次を実行します：superclonica --text-file script.txt --voice F2 --lang ja --output voice.wav。初回だけモデル（約400MB）をダウンロードし、以後はオフラインで動きます。
ワークフローに読み込む
voice.wavをComfyUI/inputフォルダーに置き、このフォルダーを読むLoad Audioノードを追加します。聞くにはPreview Audioにつなぎます。動画に加えるには、Load AudioをCreate Videoの任意の音声入力にフレームと一緒につなぎ、結果をSave Videoに送ります。
声と映像のタイミングを合わせる
先に台本を音声にしてから、その長さに合わせて映像を作ります。ファイルの長さを1フレームの時間で割ると必要なフレーム数がわかります。複数のシーンでは、セリフごとに別のファイルにします。速さはエンジンの--speedで変えられ、値が大きいほど速くなります。