中文 | English

ComfyUI 的 IndexTTS 声音克隆节点

声音克隆质量非常高, 速度非常快, 支持中英文, 支持自定义音色，支持无限情绪表达！

📣 更新

[2025-09-09]⚒️: 发布 v2.0.0. 支持IndexTTS2！声音生成，克隆王者登基！

[S1] 2024年02月14日 Valentine’s Day，你居然忘了？！
[S2] Babe 对不起！我特意订了 dinner at 7:30 PM，还买了你最爱的 rose，99朵，每朵¥13.14，total ¥1300.86！
[S1] 哼…那520.13元的红包呢？去年你说“我爱你一生”都发了，今年呢？
[S2] Already sent！Alipay 提示音你没听到？
[S1] …那周末去三亚的机票？你上个月说“March 15日出发，住海景房¥2888.88/晚”？
[S2] Confirmed！Flight MU5378，3月15日08:45起飞。房费我pay，你负责…smile like sunshine！
[S1] 这还差不多～但下次纪念日别用“Babe”糊弄我！
[S2] Yes, my Queen！下次发红包¥1314.52。

• 提示词：
  男：大笑笑笑笑。。。女：哭哭哭。。。

https://github.com/user-attachments/assets/6de33c3a-439b-4921-8f94-796c8852508b

[2025-05-30]⚒️: 发布 v1.2.0. 支持双人对话, 支持预览说话者, Windows 正常安装 pynini, 不再是阉割版 TTS!

IndexTTS 正式发布1.5 版本了，效果666,晕XUAN4是一种GAN3觉,我爱你！,I love you!,“我爱你”的英语是“I love you”,2.5平方电线,共465篇，约315万字,2002年的第一场雪，下在了2003年.

https://github.com/user-attachments/assets/b67891f2-0982-4540-8c3b-1a870305466f

[2025-05-14]⚒️: 支持 v1.5 版本. 模型下载并更名放到 ComfyUI\models\TTS\Index-TTS 路径下:

• https://huggingface.co/IndexTeam/IndexTTS-1.5/blob/main/bigvgan_generator.pth → bigvgan_generator_v1_5.pth
• https://huggingface.co/IndexTeam/IndexTTS-1.5/blob/main/bpe.model → bpe_v1_5.model
• https://huggingface.co/IndexTeam/IndexTTS-1.5/blob/main/gpt.pth → gpt_v1_5.pth

[2025-05-02]⚒️: 可用 DeepSpeed 加速, 需要安装 DeepSpeed, Windows 详见 DeepSpeed 安装. 加速不明显.

[2025-04-30]⚒️: 发布 v1.0.0.

使用

V2重要参数说明（全是可选的）：

• deepspeed: 是否开启 deepspeed 加速（需要先安装deepspeed）。

• emo_audio_prompt: 第一个说话人，情绪音频参考。

• emo_alpha: 第一个说话人，情绪强度。

• emo_vector: 第一个说话人，情绪控制向量，英文格式输入类似这样的列表 [0, 0, 0, 0, 0, 0, 0.45, 0]（每一个强度范围0-1，表示惊喜强度 0.45），数字分别对应 : [Happy, Angery, Sad, Fear, Hate, Low, Surprise, Neutral]， 几乎无限组合。

• use_emo_text: 第一个说话人，是否开启提示词控制情绪。如果使用提示词控制，情绪参考音频失效。

• emo_text: 第一个说话人，情绪控制提示词。随便写，例如 哭哭。。。苦苦。。。

• use_random: 第一个说话人，是否开启随机性。

• emo_audio_prompt_s2: 第二个说话人，同上。

• emo_alpha_s2: 第二个说话人，同上。

• emo_vector_s2: 第二个说话人，同上。

• use_emo_text_s2: 第二个说话人，同上。

• emo_text_s2: 第二个说话人，同上。

• use_random_s2: 第二个说话人，同上。

如果不提供任何情绪控制，自动使用克隆音频作为情绪参考。

---

重要参数说明(其他参数不是很重要的就不一一介绍了):

• max_mel_tokens: 控制生成的语音长度, 长文本需要增加这个参数.
• max_text_tokens_per_sentence: 分句的最大token数，越小，推理速度越快，占用内存更多，可能影响质量
• sentences_bucket_max_size: 分句分桶的最大容量，越大，推理速度越快，占用内存更多，可能影响质量
• fast_inference: 开启快速推理
• custom_cuda_kernel: 开启自定义 CUDA 内核, 第一次运行将自动构建 CUDA 内核扩展
• dialogue_audio_s2: 双人会话时的第二个音频, 如果输入这个音频, 自动启动会话模式. 会话模式下, 输入文本必须如下([S1] 表示第一个说话者, [S2] 表示第二个说话者):

[S1] 轻喘像风掠过耳畔，
[S2] 你靠近时，连呼吸都慢了半拍。
[S1] 指尖在我锁骨上游移，
[S2] 仿佛试探一扇未曾开启的门。

• 情绪控制：

• 加载音频:

• 预览说话者:

我将会把所有 TTS 节点的说话者音频全部统一放到 ComfyUI\models\TTS\speakers 路径下, 这些节点包括 IndexTTS, CSM, Dia, MegaTTS, QuteTTS, SparkTTS, StepAudioTTS 等.

• 双人对话:

安装

• Windows 先安装以下依赖:

pynini-windows-wheels 下载相应 python 版本的 pynini 轮子.

示例:

D:\AIGC\python\py310\python.exe -m pip install pynini-2.1.6.post1-cp3xx-cp3xx-win_amd64.whl
D:\AIGC\python\py310\python.exe -m pip install importlib_resources
D:\AIGC\python\py310\python.exe -m pip install WeTextProcessing>=1.0.4 --no-deps

• Linux, Mac, Windows:

cd ComfyUI/custom_nodes
git clone https://github.com/billwuhao/ComfyUI_IndexTTS.git
cd ComfyUI_IndexTTS
pip install -r requirements.txt

# python_embeded
./python_embeded/python.exe -m pip install -r requirements.txt

模型下载

V2模型下载：

模型手动下载到 ComfyUI\models\TTS 下的指定文件夹：

• https://hf-mirror.com/nvidia/bigvgan_v2_22khz_80band_256x/tree/main

• https://hf-mirror.com/funasr/campplus/tree/main

• https://hf-mirror.com/IndexTeam/IndexTTS-2/tree/main

• https://hf-mirror.com/amphion/MaskGCT/tree/main/semantic_codec

• https://hf-mirror.com/facebook/w2v-bert-2.0/tree/main

- bigvgan_v2_22khz_80band_256x
   bigvgan_generator.pt
   config.json
- campplus
   campplus_cn_common.bin
- IndexTTS-2
│  .gitattributes
│  bpe.model
│  config.yaml
│  feat1.pt
│  feat2.pt
│  gpt.pth
│  README.md
│  s2mel.pth
│  wav2vec2bert_stats.pt
│
└─ qwen0.6bemo4-merge
        added_tokens.json
        chat_template.jinja
        config.json
        generation_config.json
        merges.txt
        model.safetensors
        Modelfile
        special_tokens_map.json
        tokenizer.json
        tokenizer_config.json
        vocab.json
- MaskGCT
   semantic_codec
        model.safetensors
- w2v-bert-2.0
    .gitattributes
    config.json
    conformer_shaw.pt
    model.safetensors
    preprocessor_config.json
    README.md

---

• 模型需要手动下载放到 ComfyUI\models\TTS\Index-TTS 路径下:

Index-TTS 结构如下:

bigvgan_generator.pth
bpe.model
gpt.pth

鸣谢

• index-tts

ComfyUI_IndexTTS 快速上手指南

ComfyUI_IndexTTS 是一个高质量、高速度的声音克隆节点，支持中英文双语及无限情绪表达。最新版本 (v2.0.0) 已支持 IndexTTS2，并具备双人对话功能。

1. 环境准备

系统要求

• 操作系统: Windows, Linux, macOS
• Python 版本: 建议 Python 3.10+ (需与 ComfyUI 环境一致)
• 硬件: 推荐 NVIDIA GPU 以启用 CUDA 加速

前置依赖 (Windows 用户必读)

Windows 用户需先手动安装 pynini 及相关文本处理库，否则无法正常运行。

1. 前往 pynini-windows-wheels 下载对应 Python 版本的 .whl 文件。
2. 在终端执行以下命令（请替换 <python_path> 为你的 Python 路径，<wheel_file> 为下载的文件名）：

<python_path> -m pip install <wheel_file>
<python_path> -m pip install importlib_resources
<python_path> -m pip install WeTextProcessing>=1.0.4 --no-deps

示例 (Python 3.10):

D:\AIGC\python\py310\python.exe -m pip install pynini-2.1.6.post1-cp310-cp310-win_amd64.whl
D:\AIGC\python\py310\python.exe -m pip install importlib_resources
D:\AIGC\python\py310\python.exe -m pip install WeTextProcessing>=1.0.4 --no-deps

2. 安装步骤

步骤一：克隆插件

进入 ComfyUI 的自定义节点目录并克隆仓库：

cd ComfyUI/custom_nodes
git clone https://github.com/billwuhao/ComfyUI_IndexTTS.git
cd ComfyUI_IndexTTS

步骤二：安装依赖

根据你是否使用嵌入式 Python 环境选择以下任一命令：

标准环境:

pip install -r requirements.txt

ComfyUI 嵌入式环境 (Windows 便携版):

../python_embeded/python.exe -m pip install -r requirements.txt

(注：如果在 custom_nodes 目录下，路径可能需要调整为 ../../python_embeded/python.exe)

步骤三：下载模型 (关键)

本工具支持 V1.5 和 V2.0 两种模型架构，请根据需要下载。推荐使用国内镜像源 (hf-mirror.com) 加速下载。

方案 A: IndexTTS V2.0 (推荐，效果更强)

将以下仓库内容手动下载到 ComfyUI\models\TTS 目录下，并保持原有的文件夹结构：

1. bigvgan_v2: 下载地址
   • 放入文件夹: bigvgan_v2_22khz_80band_256x
2. campplus: 下载地址
   • 放入文件夹: campplus
3. IndexTTS-2: 下载地址
   • 放入文件夹: IndexTTS-2
4. MaskGCT: 下载地址
   • 放入文件夹: MaskGCT/semantic_codec
5. w2v-bert-2.0: 下载地址
   • 放入文件夹: w2v-bert-2.0

方案 B: IndexTTS V1.5 (经典版)

将以下文件下载并重命名，放入 ComfyUI\models\TTS\Index-TTS 目录：

• bigvgan_generator.pth (源文件: bigvgan_generator.pth)
• bpe_v1_5.model (源文件: bpe.model)
• gpt_v1_5.pth (源文件: gpt.pth)

3. 基本使用

重启 ComfyUI 后，在节点菜单中找到 IndexTTS 相关节点即可使用。

场景一：单人语音克隆 (最简单用法)

1. 加载音频: 使用 Load Audio 节点加载参考人声（用于克隆音色）。
2. 输入文本: 连接 IndexTTS 节点，在文本框输入要合成的内容。
3. 生成: 连接 Save Audio 节点输出结果。
   • 注：若不设置情绪参数，系统将自动使用参考音频的情绪风格。

场景二：双人对话模式

1. 开启会话: 在 IndexTTS 节点的 dialogue_audio_s2 端口连接第二个说话人的参考音频。

2. 格式化文本: 输入文本必须严格包含说话人标记 [S1] 和 [S2]。

   文本示例:

   [S1] 轻喘像风掠过耳畔，
   [S2] 你靠近时，连呼吸都慢了半拍。
   [S1] 指尖在我锁骨上游移，
   [S2] 仿佛试探一扇未曾开启的门。
   

3. 运行: 节点会自动识别标记并分别使用对应的音色进行合成。

进阶：情绪控制 (V2.0 特性)

• 提示词控制: 设置 use_emo_text 为 True，并在 emo_text 输入如 哭哭。。。, 大笑。。。 等描述。
• 向量控制: 设置 emo_vector 列表，例如 [0, 0, 0, 0, 0, 0, 0.45, 0] 表示 45% 的惊喜度 (顺序对应：Happy, Angery, Sad, Fear, Hate, Low, Surprise, Neutral)。
• 音频参考: 通过 emo_audio_prompt 上传带有特定情绪的音频片段作为参考。