音频

画布文件 · 共 47 条

本卷收录「音频」类 ComfyUI 官方工作流 47 个，按名称排序；每条依次给出说明、做法（所需模型、关键参数、下载）、官方教程链接和相关工作流，缺项不显示。

本卷通用出处（条目里不再重复）：数据源：Comfy 官方模板 · MIT

本卷相关最新资讯：开源工作室 PotionUI 0.0.18：按模型生成表单、本机 GPU 渲染 2026-10-31

语音合成·Eleven 角色 #

音频 · 文本转语音 · ct-api_elevenlabs_v4_text_to_dialogue

人话定义

使用 Eleven v4 从文本生成多说话人对话：为每个条目分配独立的一行和独立的声音，通过 [quietly] 或 [laughs] 等音频标签指导表达方式，或从样本中克隆声音并让它参与对话。输出为一个音频文件。非常适合播客、游戏对话和角色对话。

做法

  • 所需模型：ElevenLabs
  • 工作流规模：顶层节点 9 个、连线 6 条 · 下载工作流 JSON

相关词条

语音合成·Eleven 声音 · 语音合成·Eleven 角色 · 语音合成·Eleven 语音 · 语音合成·Eleven 语音 · 语音合成·Eleven 语音

语音合成·Eleven 语音 #

音频 · 文本转语音 · ct-api_elevenlabs_v4_text_to_speech

人话定义

使用注重质量的 ElevenLabs 模型 Eleven v4，从文本生成富有表现力的语音。通过在脚本中写入 [whispers] 或 [excited] 等音频标签来指导表演，或上传语音样本以克隆声音并用其朗读脚本。输出一个音频文件。非常适合有声书、旁白和角色配音。

做法

  • 所需模型：ElevenLabs
  • 工作流规模：顶层节点 8 个、连线 3 条 · 下载工作流 JSON

相关词条

语音合成·Eleven 声音 · 语音合成·Eleven 角色 · 语音合成·Eleven 角色 · 语音合成·Eleven 语音 · 语音合成·Eleven 语音

语音合成·Fish 对白生成 #

音频 · 云端 API · ct-api_fishaudio_drama3_dialogue

人话定义

使用 Fish Audio Drama 3 一次生成多说话人场景：为每位说话人连接一个 Voice Selector，用 @Voice1 / @Voice2 标记说话人切换，并通过通俗语言的 [directions] 和 <whisper> 词标签来指导演绎。

做法

  • 所需模型：Fish Audio
  • 工作流规模：顶层节点 7 个、连线 4 条 · 下载工作流 JSON

相关词条

语音合成·Fish 导演配音 · 语音合成·Fish 语音生成 · 语音合成·Fish 语音生成 · 语音合成·Fish 语音生成

语音合成·Fish 导演配音 #

音频 · 云端 API · ct-api_fishaudio_drama3_directed

人话定义

通过文本直接指导单次 Fish Audio Drama 3 表演：用[通俗语言指令]在台词中途切换表达方式，并用 <whisper>...</whisper> 标签包裹词语。

做法

  • 所需模型：Fish Audio
  • 工作流规模：顶层节点 6 个、连线 3 条 · 下载工作流 JSON

相关词条

语音合成·Fish 对白生成 · 语音合成·Fish 语音生成 · 语音合成·Fish 语音生成 · 语音合成·Fish 语音生成

语音合成·Fish 语音生成 #

音频 · 云端 API · ct-api_fishaudio_text_to_speech

人话定义

使用Fish Audio S2 Pro从文本生成自然、富有表现力的语音，这是一款支持80多种语言的文本转语音模型，可通过[whisper]或[excited]等内联标签精细控制情感、语调和节奏。输入文本即可获得一个高质量的音频输出，并可将可选风格标签直接编织到脚本中。非常适合配音制作、多语言内容创作以及游戏或动画中的角色对话。

做法

  • 所需模型：Fish Audio
  • 工作流规模：顶层节点 6 个、连线 4 条 · 下载工作流 JSON

相关词条

语音合成·Fish 对白生成 · 语音合成·Fish 导演配音 · 语音合成·Fish 语音生成 · 语音合成·Fish 语音生成

语音合成·Fish 语音生成 #

音频 · 云端 API · ct-api_fishaudio_voice_clone_tts

人话定义

从短录音中克隆任何声音，然后用它通过Fish Audio朗读任何脚本。录制2-3段15-20秒的片段，将它们连接到实时语音克隆节点，克隆的声音直接输入文本转语音，无需等待训练。添加情感标签来控制克隆声音如何传递每一行。非常适合个性化旁白、角色声音以及用您自己的声音制作的内容。

做法

  • 所需模型：Fish Audio
  • 工作流规模：顶层节点 7 个、连线 4 条 · 下载工作流 JSON

相关词条

语音合成·Fish 对白生成 · 语音合成·Fish 导演配音 · 语音合成·Fish 语音生成 · 语音合成·Fish 语音生成

语音合成·Fish 语音生成 #

音频 · 云端 API · ct-api_fishaudio_speech_to_text

人话定义

使用Fish Audio ASR将音频转录为文本。系统会自动检测80种以上语言，并可选择返回词级时间戳作为JSON片段。可用于创建字幕、转录录音或从音频片段生成TextGenerate。已预加载示例音频，您可以立即测试。

做法

  • 所需模型：Fish Audio
  • 工作流规模：顶层节点 5 个、连线 3 条 · 下载工作流 JSON

相关词条

语音合成·Fish 对白生成 · 语音合成·Fish 导演配音 · 语音合成·Fish 语音生成 · 语音合成·Fish 语音生成

语音合成·HeyGen 声音克隆 1.0 #

音频 · 语音合成 · api-heygen_voice_1

人话定义

使用 HeyGen Voice 1.0 节点克隆声音：载入参考音频生成可复用的声音克隆，用于语音合成与配音。云端 API 节点，需 HeyGen 凭据。

做法

  • 所需模型：HeyGen Voice 1.0
  • 工作流规模：顶层节点 6 个、连线 4 条 · 下载工作流 JSON

语音合成·HeyGen 声音克隆 1.0 Turbo #

音频 · 语音合成 · api-heygen_voice_1_turbo

人话定义

HeyGen Voice 1.0 Turbo 声音克隆模板，流程与标准版一致，面向更快的生成速度。云端 API 节点，需 HeyGen 凭据。

做法

  • 所需模型：HeyGen Voice 1.0 Turbo
  • 工作流规模：顶层节点 6 个、连线 4 条 · 下载工作流 JSON

语音合成·HeyGen 语音 #

音频 · 云端 API · ct-api_heygen_text_to_speech

人话定义

使用HeyGen先进的TTS引擎从文本生成自然语音，支持多种语言和口音，并提供可自定义的声音。输入文本并从众多预设声音中选择，或通过简短音频样本克隆自定义声音。非常适合为视频创建配音、生成多语言旁白以及制作个性化音频内容。

做法

相关词条

图生视频·HeyGen 参考 · 图生视频·HeyGen 视频 · 图生视频·HeyGen 视频 · 文生视频·HeyGen 视频 · 文生视频·HeyGen 视频

语音合成·MiniMax 语音 #

音频 · 音频 · ct-audio_minimax_music_3

人话定义

使用MiniMax Music 3从文本提示创建完整长度的歌曲，生成完整的5分钟曲目，具有稳定的结构和高质量的音频。输入描述歌词、风格、情绪和编排的结构化标题，即可获得一首已完成的歌曲作为输出。非常适合音乐制作人制作演示原型，以及需要原始背景音乐的内容创作者。

做法

  • 所需模型：MiniMax Music 3
  • 模型文件：minimax_music3_dit_fp16.safetensors、minimax_music3_text_encoder_pruned_int8_convrot.safetensors、minimax_music3_dav.safetensors
  • 采样：步数 30 · CFG 1.7 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 4 个、连线 1 条 · 下载工作流 JSON

语音合成·Mirelo 文字生成音效 #

音频 · 语音合成 · api-mirelo_text_to_sfx

人话定义

使用 Mirelo SFX 节点按文字描述生成音效并保存音频，适合为短片快速补齐环境与动作音效。云端 API 节点。

做法

  • 所需模型：Mirelo SFX
  • 工作流规模：顶层节点 3 个、连线 1 条 · 下载工作流 JSON

相关词条

语音合成·Mirelo 视频配音效

语音合成·Stable 语音 #

音频 · 文本转音频 · ct-audio_stable_audio_3_medium

人话定义

输入一个简短的文本创意、可选的持续时间、种子和类别。使用Stable Audio 3生成立体声音频（音乐、音效或乐器），并带有可选的AI驱动文本扩展。

做法

  • 所需模型：Stable Audio
  • 模型文件：qwen3.5_2b_bf16.safetensors、stable_audio_3_medium.safetensors、t5gemma_b_b_ul2.safetensors
  • 采样：步数 8 · CFG 1 · 采样器 lcm · 调度 simple
  • 工作流规模：顶层节点 4 个、连线 1 条 · 下载工作流 JSON

相关词条

语音合成·Stable 语音

语音合成·Stable 语音 #

音频 · 文本转音频 · ct-audio_stable_audio_3_medium_base

人话定义

输入一段关于声音、音乐或效果的简短文本描述。该工作流使用Qwen千问扩展您的提示词，并从Stable Audio 3生成一段立体声音频CLIP。

做法

  • 所需模型：Stable Audio
  • 模型文件：qwen3.5_2b_bf16.safetensors、stable_audio_3_medium_base.safetensors、t5gemma_b_b_ul2.safetensors
  • 采样：步数 50 · CFG 7 · 采样器 lcm · 调度 simple
  • 工作流规模：顶层节点 4 个、连线 1 条 · 下载工作流 JSON

相关词条

语音合成·Stable 语音

语音合成·Stable 语音 #

音频 · 音频 · ct-audio_stable_audio_example

人话定义

使用Stable Audio从文本提示生成音频。

做法

  • 所需模型：Stability、Stable Audio
  • 模型文件：stable-audio-open-1.0.safetensors、t5-base.safetensors
  • 采样：步数 50 · CFG 4.98 · 采样器 dpmpp_3m_sde_gpu · 调度 exponential
  • 工作流规模：顶层节点 9 个、连线 9 条 · 下载工作流 JSON

实例

官方教程 / 示例页

语音合成·图像编辑 #

音频 · 音频编辑 · ct-audio_ace_step_1_m2m_editing

人话定义

使用ACE-Step v1 M2M编辑现有歌曲以改变风格和歌词。

做法

  • 所需模型：ACE-Step
  • 模型文件：ace_step_v1_3.5b.safetensors
  • 采样：步数 50 · CFG 5 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 12 个、连线 14 条 · 下载工作流 JSON

实例

官方教程 / 示例页

相关词条

语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

语音合成·语音生成 #

音频 · 文生音乐 · ct-audio_ace_step1_5_xl_base

人话定义

使用40亿参数ACE-Step 1.5 XL模型，从文本提示生成高质量音频。

做法

  • 所需模型：ACE-Step
  • 模型文件：acestep_v1.5_xl_base_bf16.safetensors、ace_1.5_vae.safetensors、qwen_0.6b_ace15.safetensors、qwen_4b_ace15.safetensors
  • 采样：步数 50 · CFG 6 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 13 个、连线 14 条 · 下载工作流 JSON

相关词条

语音合成·图像编辑 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

语音合成·语音生成 #

音频 · 云端 API · ct-api_sonilo_v2m

人话定义

从视频素材生成同步配乐。输入视频以制作与其节奏和情感线索相匹配的音乐，输出完美定时的音频文件。

做法

相关词条

语音合成·语音生成

语音合成·语音生成 #

音频 · 音频 · ct-audio_melbandroformer_audio_separation

人话定义

加载音频文件并使用MelBandRoFormer模型将其分离为人声和伴奏音轨。输出两个MP3文件，分别包含独立人声和背景音乐。

做法

语音合成·语音生成 #

音频 · 云端 API · ct-audio_ace_step_1_5_split_llm

人话定义

输入音乐风格和可选歌词。使用AI生成完整歌曲，包括歌词和音频。

做法

  • 所需模型：ACE-Step、Google Gemini
  • 模型文件：qwen_0.6b_ace15.safetensors、qwen_4b_ace15.safetensors、ace_1.5_vae.safetensors、acestep_v1.5_turbo.safetensors
  • 采样：步数 8 · CFG 1 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 7 个、连线 6 条 · 下载工作流 JSON

语音合成·语音生成 #

音频 · 文本转音频 · ct-audio_ace_step_1_t2a_song

人话定义

使用ACE-Step v1从文本提示生成带有人声的歌曲，支持多语言和风格定制。

做法

  • 所需模型：ACE-Step
  • 模型文件：ace_step_v1_3.5b.safetensors
  • 采样：步数 50 · CFG 5 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 11 个、连线 12 条 · 下载工作流 JSON

实例

官方教程 / 示例页

相关词条

语音合成·图像编辑 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

语音合成·语音生成 #

音频 · 音频 · ct-audio_ace_step_1_5_split_4b

人话定义

输入文本提示词以生成音乐。此4B模型版本相比更小的变体输出更强的音频理解和作曲能力。

做法

  • 所需模型：ACE-Step
  • 模型文件：acestep_v1.5_turbo.safetensors、ace_1.5_vae.safetensors、qwen_0.6b_ace15.safetensors、qwen_4b_ace15.safetensors
  • 采样：步数 8 · CFG 1 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 13 个、连线 14 条 · 下载工作流 JSON

相关词条

语音合成·图像编辑 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

语音合成·语音生成 #

音频 · 文生音乐 · ct-audio_yue2_text2music

人话定义

使用 YuE2 从音乐风格和歌词生成完整歌曲。利用符号音乐规划创建结构化的旋律与和声，然后将其转化为包含人声和器乐伴奏的完整歌曲。

做法

  • 所需模型：YuE2
  • 模型文件：yue2_3b_int8_convrot.safetensors
  • 采样：步数 32 · CFG 1 · 采样器 dpm_2 · 调度 sgm_uniform
  • 工作流规模：顶层节点 3 个、连线 1 条 · 下载工作流 JSON

相关词条

语音合成·语音生成

相关资讯

开源工作室 PotionUI 0.0.18：按模型生成表单、本机 GPU 渲染 2026-10-31

语音合成·语音生成 #

音频 · 音频 · ct-audio_ace_step_1_5_split

人话定义

输入一个描述音乐风格和可选歌词的文本提示词。在消费级硬件上，不到10秒即可生成一首完整、高质量的音频歌曲。

做法

  • 所需模型：ACE-Step
  • 模型文件：acestep_v1.5_turbo.safetensors、qwen_0.6b_ace15.safetensors、qwen_1.7b_ace15.safetensors、ace_1.5_vae.safetensors
  • 采样：步数 8 · CFG 1 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 13 个、连线 14 条 · 下载工作流 JSON

相关词条

语音合成·图像编辑 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

语音合成·语音生成 #

音频 · 文生音乐 · ct-audio_ace_step1_5_xl_sft

人话定义

使用4B参数SFT模型从文本提示词生成高质量音乐。通过CFG控制输出以实现精确的提示词遵循。

做法

  • 所需模型：ACE-Step
  • 模型文件：acestep_v1.5_xl_sft_bf16.safetensors、ace_1.5_vae.safetensors、qwen_0.6b_ace15.safetensors、qwen_4b_ace15.safetensors
  • 采样：步数 50 · CFG 7 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 12 个、连线 14 条 · 下载工作流 JSON

相关词条

语音合成·图像编辑 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

语音合成·语音生成 #

音频 · 音乐翻唱 · ct-audio_yue2_music_cover

人话定义

使用 YuE2 从参考音频创建歌曲的新版本。在改变音乐风格、人声、歌词和编曲的同时，保留原始旋律。

做法

  • 所需模型：YuE2
  • 模型文件：yue2_3b_int8_convrot.safetensors、sheetsage2_bf16.safetensors
  • 采样：步数 32 · CFG 1 · 采样器 dpm_2 · 调度 sgm_uniform
  • 工作流规模：顶层节点 4 个、连线 2 条 · 下载工作流 JSON

相关词条

语音合成·语音生成

相关资讯

开源工作室 PotionUI 0.0.18：按模型生成表单、本机 GPU 渲染 2026-10-31

语音合成·语音生成 #

音频 · 云端 API · ct-api_sonilo_t2m

人话定义

根据文本提示生成高质量、可用于制作的音乐，输入描述性文字即可创建原创配乐，支持流媒体播放与精确时长控制。

做法

相关词条

语音合成·语音生成

语音合成·语音生成 #

音频 · 音频 · ct-audio_ace_step_1_5_checkpoint

人话定义

输入风格标签和歌词以生成一首完整的歌曲。该工作流使用ACE-Step 1.5模型，在消费级硬件上不到10秒即可生成商业级音乐。

做法

  • 所需模型：ACE-Step
  • 模型文件：ace_step_1.5_turbo_aio.safetensors
  • 采样：步数 8 · CFG 1 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 11 个、连线 14 条 · 下载工作流 JSON

相关词条

语音合成·图像编辑 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

语音合成·语音生成 #

音频 · 文本转音频 · ct-audio_ace_step_1_t2a_instrumentals

人话定义

使用ACE-Step v1从文本提示生成器乐音乐。

做法

  • 所需模型：ACE-Step
  • 模型文件：ace_step_v1_3.5b.safetensors
  • 采样：步数 50 · CFG 5 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 12 个、连线 12 条 · 下载工作流 JSON

实例

官方教程 / 示例页

相关词条

语音合成·图像编辑 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

语音合成·语音生成 #

音频 · 音乐 · ct-audio_ace_step1_5_xl_turbo

人话定义

使用蒸馏的4B ACE-Step模型，从文本提示生成高质量音乐。仅需8次推理步骤即可生成商业级音频，无需CFG。

做法

  • 所需模型：ACE-Step
  • 模型文件：acestep_v1.5_xl_turbo_bf16.safetensors、ace_1.5_vae.safetensors、qwen_0.6b_ace15.safetensors、qwen_4b_ace15.safetensors
  • 采样：步数 8 · CFG 1 · 采样器 euler · 调度 simple
  • 工作流规模：顶层节点 13 个、连线 14 条 · 下载工作流 JSON

相关词条

语音合成·图像编辑 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成 · 语音合成·语音生成

云开 Take · 以幻成帧，云开见真

版权说明：内容版权归原作者，本站只放摘要和链接。

本站界面框架基于开源项目 AIHOT 构建，特此鸣谢。

官方 X：@takehkai（每日精选同步发布）

查人：专才索引（按专长找 AI 影像创作者）

进入站点 →