ComfyUI-VoxCPM：集成 VoxCPM 的上下文感知语音合成节点

ComfyUI-VoxCPM 是一个为 ComfyUI 设计的自定义节点，集成了 VoxCPM —— 一种基于 MiniCPM-4 架构的新型无分词器（tokenizer-free）文本到语音（TTS）系统，支持高表现力语音生成与零样本语音克隆。

面壁智能发布VoxCPM：无需分词器的TTS，用于上下文感知的语音生成和真实感声音克隆

该节点实现了从模型管理、音频输入处理到语音合成的全流程自动化，让用户可通过图形化工作流，直接从文本和参考音频生成自然、富有情感的语音内容。

• GitHub：https://github.com/wildminder/ComfyUI-VoxCPM

核心特性

🔧 基于 MiniCPM-4 骨干网络，VoxCPM 在连续语音空间中建模发音过程，跳过传统音素切分，显著提升自然度与跨语言泛化能力。

⚙️ 安装指南

方法一：通过 ComfyUI Manager 安装（推荐）

1. 打开 ComfyUI Manager
2. 搜索 ComfyUI-VoxCPM
3. 点击“安装”

方法二：手动安装

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

重启 ComfyUI 后，VoxCPM TTS 节点将出现在 audio/tts 类别下。

首次使用时，节点会自动下载所需模型至：

ComfyUI/models/tts/VoxCPM/

使用方法

1. 添加节点

将 VoxCPM TTS 节点拖入工作区。

若需语音克隆，请同时添加 Load Audio 节点加载参考音频。

2. 连接音频输入（可选）

将 Load Audio 的 AUDIO 输出连接至 VoxCPM TTS 的 prompt_audio 输入端口。

3. 输入文本

• text：要合成的目标文本（必填）
• prompt_text（语音克隆专用）：提供 prompt_audio 的精确转录本（必须匹配）

📌 示例：
prompt_text: "你好，今天天气不错"
text: "欢迎收听本期播客"

4. 设置参数并生成

配置以下关键参数后提交队列：

📦 节点输入说明

🍳 “语音厨师”操作指南

想做出更地道的声音？试试这三个步骤：

🥚 第一步：准备基础成分（内容输入方式）

方式 A：常规文本（推荐日常使用）

• ✅ 保持 normalize_text = True
• 输入自然语言文本，如 "Hello world! 今年GDP增长了6.2%"
• 系统自动处理数字读法、英文发音等

方式 B：音素输入（高级控制）

• ❌ 关闭 normalize_text
• 使用 {} 包裹音素标记，例如：
  • 英文：{HH AH0 L OW1} {W ER1 L D}
  • 中文：{ni3}{hao3}{ma1}
• 适用于精确控制多音字、连读、重音等场景

🍳 第二步：选择风味轮廓（语音风格）

选项 A：使用参考音频（语音克隆）

• 提供一段 3–10 秒干净录音作为 prompt_audio
• 模型将复制其音色、语速、情绪甚至背景氛围
• 需同步提供准确的 prompt_text 转录

💡 小贴士：避免背景噪音、断句不清或多人对话片段

选项 B：零样本生成（无提示）

• 不连接 prompt_audio
• 模型根据 text 内容自主决定合适语气（如新闻播报、童声讲述等）
• 利用 MiniCPM-4 的强语义理解能力进行风格推断

🧂 第三步：最终调味（参数微调）

⚠️ 注意事项与限制

🚫 模块化设计原则

原始 VoxCPM 库包含内置去噪模块（ZipEnhancer），但本节点已主动移除该功能。我们遵循 ComfyUI 的模块化哲学：每个节点专注单一任务。

👉 如需降噪，请在前置流程中使用专用音频处理节点（如 RNNoise、Demucs）清理 prompt_audio。

⚠️ 技术限制