指南

ComfyUI 文本转语音：TTS 节点与添加配音

ComfyUI 能在工作流中处理音频，而文本转语音通常来自自定义节点包。这适合克隆和实验，但模型可能很大，还会和图像模型争用显存。本页介绍的 SuperClonica 引擎不支持中文，可朗读英语、日语等 31 种语言。

本指南介绍节点方案，以及更简单的方案：先把声音做成文件，再载入工作流。

浏览声音 安装 SuperClonica 引擎

ComfyUI 中的 TTS 节点

最知名的节点包是 TTS Audio Suite。可通过 ComfyUI Manager 安装，或克隆到 ComfyUI/custom_nodes 并按步骤安装。它把多种引擎放在同一组节点后面，包括 ChatterboxTTS、F5-TTS、Higgs Audio、MOSS-TTS 和 Echo-TTS，还有 RVC 变声。模型可能有好几 GB，各引擎的许可也不同，商用前请先阅读。

什么时候现成的声音更简单

节点包适合克隆声音或需要引擎的特殊控制。如果只需要一段做好的配音，就不必在 ComfyUI 内运行。免费的 SuperClonica 引擎在普通处理器上运行，把显卡留给图像和视频模型。SuperClonica 没有 ComfyUI 专用节点，两者通过音频文件衔接。

制作音频文件

从声音库约 190 个声音中选择，从旁白到游戏和电影角色，都可以在其页面免费试听 30 到 100 个字符的句子。整段脚本可用 python -m pip install superclonica-cpu 安装引擎，然后运行：superclonica --text-file script.txt --voice F2 --lang en --output voice.wav。首次运行会下载一次模型，约 400 MB，之后可离线使用。

载入工作流

把 voice.wav 放进 ComfyUI/input 文件夹，添加会读取该文件夹的 Load Audio 节点。连接到 Preview Audio 即可试听。要加入视频，把 Load Audio 连接到 Create Video 的可选音频输入，并连上画面帧，再把结果送到 Save Video。

让声音和画面同步

先生成配音，再按其长度生成画面：文件时长除以每帧时间，就是所需帧数。多个场景时，每句台词单独做一个文件。语速可用引擎的 --speed 调整，数值越大越快。