ComfyUI ChatterBox SRT Voice：用于使用ChatterboxTTS 进行高质量文本转语音（TTS）和语音转换（VC）

这是一个由 ShmuelRonen 最初创建的重构节点。ComfyUI 的非官方自定义节点集成，用于使用 ResembleAI 的 ChatterboxTTS 进行高质量文本转语音（TTS）和语音转换（VC），支持无限文本长度，并新增了专门处理 SRT 字幕时间 的节点。

• GitHub：https://github.com/diodiogod/ComfyUI_ChatterBox_SRT_Voice

新增功能：SRT 时间与 TTS 节点

ChatterBox SRT Voice TTS 节点通过解析 SubRip 字幕（SRT）文件进行 TTS 生成，确保输出音频与字幕时间轴精确对齐。

主要特性：

• SRT 风格处理：按字幕节奏生成语音，保持音画同步。
• smart_natural 时间模式：智能分配片段间隔，避免重叠，保证自然语音流。
• Adjusted_SRT 输出：返回实际生成音频的时间戳，便于后续处理。
• 片段级缓存机制：仅重新生成修改过的片段，提高效率，节省资源。

如需深入了解，请查阅项目目录下的 SRT_IMPLEMENTATION.md 文件。

ChatterBox 文本转语音（TTS）功能概览

新增功能：

• 🎙️ 音频捕获节点：支持录音输入，用于语音克隆。
• 🎙️ F5-TTS 节点：提供多语言支持的高质量语音合成。
• 🔍 音频分析节点：用于提取语音特征与时间戳。

核心功能：

安装步骤

1. 安装 ChatterBox SRT Voice 插件

cd ComfyUI/custom_nodes
git clone https://github.com/diodiogod/ComfyUI_ChatterBox_SRT_Voice.git

2. 安装依赖项

建议先更新 pip、setuptools 和 wheel：

python -m pip install --upgrade pip setuptools wheel

然后安装插件所需依赖：

pip install -r requirements.txt

3. 安装 FFmpeg（推荐）

Windows：

winget install FFmpeg
# 或使用 Chocolatey
choco install ffmpeg

如果未安装 FFmpeg，系统将自动使用内置相位声码器进行音频处理，不影响正常使用。

下载模型文件

请将以下模型文件放置在：ComfyUI/models/TTS/chatterbox/

🔗 下载地址：ResembleAI/chatterbox on HuggingFace

可选：F5-TTS 模型下载

适用于需要多语言语音合成的用户。

声码器（Vocos）推荐安装：

ComfyUI/models/F5-TTS/vocos/
├── config.yaml
├── pytorch_model.bin
└── vocab.txt

语音参考管理

为方便语音克隆管理，建议创建如下结构：

ComfyUI/models/voices/
├── character1.wav
├── character1.txt
├── narrator.wav
├── narrator.txt
├── my_voice.wav
└── my_voice.txt

要求：

• WAV 格式，5~30 秒，无背景噪音
• 文本文件为音频内容的准确转录
• 同名 .wav 与 .txt 文件配对

可选：语音录制依赖安装

pip install sounddevice

完成后重启 ComfyUI。

增强功能详解

📝 智能文本分块（新增！）

支持长文本自动切片生成语音，保留句子完整性，并提供多种拼接方式：

• 字符限制：每段 100~1000 字符
• 句子边界保留：不在句中打断
• 组合方式：
  • auto（自动）
  • concatenate（直接拼接）
  • silence_padding（添加静音）
  • crossfade（交叉淡出淡入）
  • comma_split（基于逗号分割）

默认设置：

• max_chars_per_chunk=400
• chunk_combination_method=auto
• silence_between_chunks_ms=100

📦 智能模型加载机制

优先级顺序：

1. 插件自带模型（自包含）
2. ComfyUI 默认模型路径
3. HuggingFace 在线下载

控制台示例输出：

📦 使用捆绑的 ChatterBox（自包含）
📦 从捆绑模型加载：./models/chatterbox
✅ ChatterboxTTS 模型已从捆绑加载！

使用方法说明

语音录制节点

• 添加 🎤 ChatterBox Voice Capture
• 设置麦克风、静音阈值、采样率
• 更改 Trigger 值开始录音
• 输出可用于语音克隆或语音转换

文本转语音节点

• 添加 🎤 ChatterBox Voice TTS
• 输入文本（任意长度）
• 可选连接参考音频
• 调整情感强度、温度、CFG 权重等参数

F5-TTS 节点

• 添加 🎤 F5-TTS Voice Generation
• 输入目标文本
• 连接参考音频与文本
• 选择对应语言模型（英语、德语、日语等）

语音转换节点

• 添加 🔄 ChatterBox Voice Conversion
• 连接源音频与目标音频
• 实现语音风格迁移

工作流示例

示例一：长文本智能分块

文本输入（2000+ 字符） → ChatterBox TTS（启用分块） → PreviewAudio

示例二：语音克隆与录制

🎤 Voice Capture → ChatterBox TTS（参考音频） → PreviewAudio

示例三：F5-TTS 多语言语音合成

德语文本 → F5-TTS（F5-DE 模型） → PreviewAudio
西班牙语文本 → F5-TTS（F5-ES 模型） → PreviewAudio

示例四：语音转换管道

🎤 Voice Capture（源） → ChatterBox VC ← 🎤 Voice Capture（目标）

推荐设置指南

分块设置建议

录音设置建议

TTS 参数建议

文本处理能力对比

与其他 TTS 服务相比，ChatterBox 几乎没有文本长度限制：

智能文本分割逻辑：

• 在句号（.）、问号（?）、感叹号（!）处分割
• 保持句子完整性
• 长句按逗号分割，必要时按字符限制切割