ComfyUI 文本转语音（TTS）：补齐 AI 工作流最后一块音频拼图

标签：#ComfyUI #TTS #AI 配音 #AIGC 音频 #AI 视频流水线

ComfyUI 大家最熟悉的是文生图、图生视频，绝大多数人的工作流停留在「图片→视频」，配音还要导出文本，丢到外部网页、剪辑软件单独生成音频，再导回剪辑，来回导出导入非常割裂ComfyUI。

而 ComfyUI TTS（文本转语音），就是把语音合成直接搬进节点画布，实现：输入文字 → 生成音频 → 直接对接视频生成、字幕、音频保存节点，一套工作流跑完「文案‑画面‑视频‑配音」全链路，不用切换任何外部工具CSDN博…。

一、ComfyUI 做 TTS 的优势

1. 全流程一体化 LLM 生成文案 → TTS 生成配音 → 传给视频节点生成带人声的短片，漫画解说、短视频旁白、AI 短剧、播客都可以在一张画布完成，省去复制粘贴导出文件的重复劳动ComfyUI。
2. 可视化节点编排，灵活可控 所有参数可视化调节：语速、情感、音色、采样率；可以接入声音克隆节点，拿一小段参考音频复刻声线；支持长文本自动分段，批量生成多角色对话音频GitHub。
3. 两种方案可选：本地离线 / API 云端调用

• 本地离线 TTS：ChatTTS、Qwen‑TTS、Fish‑Speech、VITS 系列，显卡本地跑，不需要网络、不需要 API 密钥，隐私性强，吃显存资源GitHub。
• 云端 API 节点：ElevenLabs、Index‑TTS，音质极强，对显卡无要求，需要网络与 API‑Key，适合没有高性能显卡的用户ComfyUI。

4. 高度可复用，可保存工作流模板 调好一套配音模板，后续直接改输入文本，一键批量输出旁白音频，自媒体做连载漫剧、系列短视频效率提升巨大。

二、主流 TTS 节点插件盘点

1. ComfyUI‑Qwen‑TTS（阿里通义开源，中文友好）

基于 Qwen3‑TTS，中文表现优秀，支持零样本声音克隆，可通过文本描述定制音色；支持 MPS 苹果芯片，N 卡更流畅。

获取：ComfyUI‑Manager 搜索ComfyUI‑Qwen‑TTS安装，模型会自动下载，也可以手动放置模型目录GitHub。

2. ChatTTS ComfyUI 节点

国内热门开源 TTS，口语自然，支持多情绪，适合短视频旁白；长文本自动分句，适合大段文案配音；显存建议 8G 以上。

3. ElevenLabs 官方合作节点（云端天花板音质）

ComfyUI 官方内置合作节点，多语种，声音克隆效果顶尖，适合做多角色对话；需要注册账号填入 API Key，按字符计费，无需本地大模型。

节点名称：ElevenlabsTextToSpeech、ElevenLabsTextToDialogue，直接生成多人对话音频ComfyUI。

4. Fish‑Speech / VITS 系列

老牌语音合成方案，大量社区开源音色，二次元角色配音首选，适合做动漫角色配音，模型文件放在models/vits目录使用CSDN博…。

5. Pocket‑TTS

轻量化本地 TTS，开箱即用，自带多种预设音色，配置门槛低，适合新手入门体验 TTS 能力GitHub。

三、最简上手工作流（新手直接抄结构）

一套最基础文本转音频链路，节点连接顺序：

字符串输入(String Input) → TTS生成节点 → 保存音频(Save Audio) / 音频预览节点

1. 用String Input输入要朗读的文案，支持多行大段文本；
2. 接入对应 TTS 生成节点，调节核心参数：
   • 语速 Speed：0.8‑1.2 最自然，大于 1.5 语速过快；
   • 情感 / 风格：neutral 平静、happy 开心、sad 伤感，不同模型参数略有区别；
   • speaker_id：选择音色编号；克隆声音则接入参考音频输入；
3. 输出端连接Save Audio，设置输出路径，点击队列执行；
4. 运行完成，画布直接预览播放音频，自动输出 wav/mp3 文件。

进阶拓展链路： LLM 大模型生成文案 → TTS 语音合成 → SRT 字幕生成 → 视频生成节点，端到端产出带配音字幕 AI 短视频。

四、常见踩坑与避坑

1. 节点红框报错，模型加载失败 安装完自定义节点必须重启 ComfyUI；缺少依赖包按照节点 README 补全 pip 依赖；本地模型下载失败可以手动把模型放到对应 models 文件夹。
2. 生成语音卡顿、显存爆 OOM 本地 TTS 对显存有门槛，ChatTTS/Qwen‑TTS 建议≥8G 显存；开启 fp16/fp8 量化降低显存占用；超长文案做文本拆分，不要一次性丢几万字文本进去。
3. 音色漂移，同角色前后声音不一样 很多开源 TTS 随机性强，每次生成音色会轻微变化；尽量固定 seed 种子值，长文本分段使用同一个 speaker / 参考音频，避免音色跳戏，做漫剧配音尤其要注意这一点。
4. 中文发音生硬，断句混乱 输入文本适当添加逗号句号换行，帮助模型识别停顿；优先选择专门针对中文优化的模型，如 ChatTTS、Qwen‑TTS。

五、适用的真实业务场景

✅ AI 短视频 / 漫剧：文案一键生成角色旁白，对接视频节点直接成片； ✅ 播客、有声书片段批量配音； ✅ 多角色对话剧本，批量生成多人对白音频； ✅ 教育课件 AI 朗读、解说音频素材； ✅ 完整多模态流水线：大模型写稿→TTS 配音→AI 生成视频，全链路 ComfyUI 内部闭环。

六、写在最后

过去 ComfyUI 擅长图像视频，音频一直是短板。随着各类 TTS 自定义节点爆发，我们终于可以不用来回切换多个软件。 本地显卡够强就跑开源离线 TTS，追求极致音质就用云端 API 节点，把配音环节完整纳入可视化工作流，这也是未来 AIGC 内容生产的趋势：一个画布搞定图文音视频全部产出。

小提示：新手建议先用 ChatTTS 或者 Qwen‑TTS 体验中文本地 TTS，不需要 API，上手成本最低。