https://github.com/chenpipi0807/ComfyUI-Index-TTS
使用IndexTTS模型在ComfyUI中实现高质量文本到语音转换的自定义节点。支持中文和英文文本，可以基于参考音频复刻声音特征。
https://github.com/chenpipi0807/ComfyUI-Index-TTS
Last synced: about 2 months ago
JSON representation
使用IndexTTS模型在ComfyUI中实现高质量文本到语音转换的自定义节点。支持中文和英文文本，可以基于参考音频复刻声音特征。
- Host: GitHub
- URL: https://github.com/chenpipi0807/ComfyUI-Index-TTS
- Owner: chenpipi0807
- Created: 2025-04-22T09:08:37.000Z (about 2 months ago)
- Default Branch: main
- Last Pushed: 2025-04-22T10:34:29.000Z (about 2 months ago)
- Last Synced: 2025-04-22T11:28:09.162Z (about 2 months ago)
- Language: Python
- Size: 323 KB
- Stars: 3
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
- awesome-comfyui - **ComfyUI-Index-TTS** - grade zero-shot text-to-speech synthesis system with a ComfyUI interface. (All Workflows Sorted by GitHub Stars)
README
# ComfyUI-Index-TTS
使用IndexTTS模型在ComfyUI中实现高质量文本到语音转换的自定义节点。支持中文和英文文本，可以基于参考音频复刻声音特征。
## 功能特点
- 支持中文和英文文本合成
- 基于参考音频复刻声音特征（变声功能）
- 支持调节语速（原版不支持后处理实现效果会有一点折损）
- 多种音频合成参数控制
- Windows兼容（无需额外依赖）
## 废话两句
- 生成的很快，真的很快！而且竟然也很像！！！ 生成的很快，真的很快！而且竟然也很像！！！
- 效果很好，感谢小破站的开源哈哈哈哈哈 效果很好，感谢小破站的开源哈哈哈哈哈
- 附赠道友B站的传送阵 附赠道友B站的传送阵[demo](https://huggingface.co/spaces/IndexTeam/IndexTTS)
## 演示案例
以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：以下是一些实际使用效果演示：
| 参考音频 | 输入文本 | 推理结果 |
|---------|---------|---------|
| | 我想把钉钉的自动回复设置成"服务器繁忙，请稍后再试"，仅对老板可见。 我想把钉钉的自动回复设置成"服务器繁忙，请稍后再试"，仅对老板可见。 | |
| | 我想把钉钉的自动回复设置成"服务器繁忙，请稍后再试"，仅对老板可见。 | |
- 长文本测试： 长文本测试：
## 更新日志
### 2025-04-23
- 新增 **Audio Cleaner** 节点，用于处理TTS输出音频中的混响和杂音问题
- 该节点可以连接在 Index TTS 节点之后，优化生成音频的质量
- 主要功能：去除混响、降噪、频率滤波和音频归一化
- 适用于处理有杂音或混响问题的TTS输出
- 修复了对于transformers版本强依赖的问题
#### Audio Cleaner 参数说明
**必需参数**：：
- **audio**: 输入音频（通常为 Index TTS 节点的输出）
- **denoise_strength**: 降噪强度（0.1-1.0，默认0.5）
- 值越大，降噪效果越强，但可能影响语音自然度
- **dereverb_strength**: 去混响强度（0.0-1.0，默认0.7）
- 值越大，去混响效果越强，适合处理在回声环境下录制的参考音频
**可选参数**：：
- **high_pass_freq**: 高通滤波器频率（20-500Hz，默认100Hz）
- 用于过滤低频噪音，如环境嗡嗡声
- **low_pass_freq**: 低通滤波器频率（1000-16000Hz，默认8000Hz）
- 用于过滤高频噪音
- **normalize**: 是否归一化音频（"true"或"false"，默认"true"）
- 开启可使音量更均衡
#### 使用建议
- 对于有明显混响的音频，将 `dereverb_strength` 设置为 0.7-0.9
- 对于有背景噪音的音频，将 `denoise_strength` 设置为 0.5-0.8
- 如果处理后音频听起来不自然，尝试减小 `dereverb_strength` 和 `denoise_strength`
- 高通和低通滤波器可以微调以获得最佳人声效果
### 2025-04-25
- 优化了阿拉伯数字的发音判断问题；可以参考这个case使用：“4 0 9 0”会发音四零九零，“4090”会发音四千零九十； 优化了阿拉伯数字的发音判断问题；可以参考这个case使用：“4 0 9 0”会发音四零九零，“4090”会发音四千零九十； 优化了阿拉伯数字的发音判断问题；可以参考这个case使用：“4 0 9 0”会发音四零九零，“4090”会发音四千零九十； 优化了阿拉伯数字的发音判断问题；可以参考这个case使用：“4 0 9 0”会发音四零九零，“4090”会发音四千零九十；
### 2025-04-26
- 优化英文逗号导致吞字的问题；
### 2025-04-29
- 新增了从列表读取音频的方法，同时新增了一些音色音频供大家玩耍；你可以将自己喜欢的音频放入 ComfyUI-Index-TTS\Timbre model 里，当然也很鼓励你能把好玩的声音分享出来。
- 示例用法如图：
## 安装
### 安装节点
1. 将此代码库克隆或下载到ComfyUI的`custom_nodes`目录：
```bash
cd ComfyUI/custom_nodes
git clone https://github.com/chenpipi0807/ComfyUI-Index-TTS.git
```
2. 安装依赖： 安装依赖：
```bash
cd ComfyUI-Index-TTS
.\python_embeded\python.exe -m pip install -r requirements.txt
git pull # 更新很频繁你可能需要
```
### 下载模型
1. 从[Hugging Face](https://huggingface.co/IndexTeam/Index-TTS/tree/main)或者[魔搭](https://modelscope.cn/models/IndexTeam/Index-TTS)下载IndexTTS模型文件
2. 将模型文件放置在`ComfyUI/models/Index-TTS`目录中（如果目录不存在，请创建）
3. 模型文件夹结构：
```
ComfyUI/models/Index-TTS/
├── .gitattributes
├── bigvgan_discriminator.pth
├── bigvgan_generator.pth
├── bpe.model
├── config.yaml
├── configuration.json
├── dvae.pth
├── gpt.pth
├── README.md
└── unigram_12000.vocab
```
确保所有文件都已完整下载，特别是较大的模型文件如`bigvgan_discriminator.pth`(1.6GB)和`gpt.pth`(696MB)。
## 使用方法
1. 在ComfyUI中，找到并添加`Index TTS`节点
2. 连接参考音频输入（AUDIO类型）
3. 输入要转换为语音的文本
4. 调整参数（语言、语速等）
5. 运行工作流获取生成的语音输出
### 示例工作流
项目包含一个基础工作流示例，位于`workflow/workflow.json`，您可以在ComfyUI中通过导入此文件来快速开始使用。
## 参数说明
### 必需参数
- **text**: 要转换为语音的文本（支持中英文）
- **reference_audio**: 参考音频，模型会复刻其声音特征
- **language**: 文本语言选择，可选项：
- `auto`: 自动检测语言（默认）
- `zh`: 强制使用中文模式
- `en`: 强制使用英文模式
- **speed**: 语速因子（0.5~2.0，默认1.0）
### 可选参数
以下参数适用于高级用户，用于调整语音生成质量和特性：
- **temperature** (默认1.0): 控制生成随机性，较高的值增加多样性但可能降低稳定性
- **top_p** (默认0.8): 采样时考虑的概率质量，降低可获得更准确但可能不够自然的发音
- **top_k** (默认30): 采样时考虑的候选项数量
- **repetition_penalty** (默认10.0): 重复内容的惩罚系数
- **length_penalty** (默认0.0): 生成内容长度的调节因子
- **num_beams** (默认3): 束搜索的宽度，增加可提高质量但降低速度
- **max_mel_tokens** (默认600): 最大音频token数量
- **sentence_split** (默认auto): 句子拆分方式
## 音色优化建议
要提高音色相似度：
- 使用高质量的参考音频（清晰、无噪音）
- 尝试调整`temperature`参数（0.7-0.9范围内效果较好）
- 增加`repetition_penalty`（10.0-12.0）可以提高音色一致性
- 对于长文本，确保`max_mel_tokens`足够大
## 故障排除
- 如果出现“模型加载失败”，检查模型文件是否完整且放置在正确目录
- 对于Windows用户，无需额外安装特殊依赖，节点已优化
- 如果显示CUDA错误，尝试重启ComfyUI或减少`num_beams`值
- 如果你是pytorch2.7运行报错，短期无法适配，请尝试降级方案(.\python_embeded\python.exe -m pip install transformers==4.48.3)
## 鸣谢
- 基于原始[IndexTTS](https://github.com/index-tts/index-tts)模型
- 感谢ComfyUI社区的支持
- 感谢使用！
**注**：RTF (Real-Time Factor) 是实时因子，值越小表示生成速度越快。例如RTF=0.3表示生成10秒的音频只需要3秒。
## 许可证
请参考原始IndexTTS项目许可证。