ComfyUI-FireRedTTS：支持多说话用户、情感化对话的实时TTS系统

在AIGC内容创作中，文本到语音（TTS）正成为连接文字与听觉体验的关键一环。然而，大多数现有方案仍局限于单人朗读，难以满足对话类场景的需求——如AI聊天、虚拟主播、有声书或播客制作。

FireRedTTS-2：面向长对话场景的流式多说话人语音合成系统

为此，1038Lab 推出 ComfyUI-FireRedTTS ——一个将 FireRedTTS-2 高质量语音合成模型深度集成至 ComfyUI 的自定义节点插件。

• GitHub：https://github.com/1038lab/ComfyUI-FireRedTTS

它不仅支持多说话者对话生成与独白叙述，还具备零样本声音克隆能力，并通过流式架构实现稳定长文本输出，适用于交互式语音应用与高质量音频生产。

核心特性一览

多说话者对话生成

支持 [S1]、[S2] 标记的结构化文本输入，自动区分不同角色并生成对应语音，实现自然的说话者交替。

高保真独白合成

适用于长篇叙述、旁白、文章朗读等单人语音场景，支持上下文感知韵律建模，语调更自然。

零样本声音克隆

无需训练，仅需一段参考音频和对应文本，即可复现目标音色，支持个性化语音定制。

多语言支持

覆盖中文、英语、日语、韩语、法语、德语、俄语，满足国际化内容需求。

自动化与设备适配

• 首次使用自动从 Hugging Face 下载模型（约2GB）
• 支持 CUDA、MPS、CPU 自动检测与切换
• 模型缓存机制避免重复下载

快速安装：两种方式任选

方法一：ComfyUI管理器（推荐）

1. 打开 ComfyUI Manager
2. 搜索 ComfyUI-FireRedTTS
3. 点击“安装”按钮，自动完成依赖安装

方法二：手动安装

cd ComfyUI/custom_nodes
git clone https://github.com/1038lab/ComfyUI-FireRedTTS.git
cd ComfyUI-FireRedTTS
pip install -r requirements.txt

重启 ComfyUI 后即可在节点列表中使用。

模型自动下载说明

首次运行时，系统将自动从 Hugging Face 获取主模型：

• 模型地址：FireRedTeam/FireRedTTS2
• 存储路径：ComfyUI/models/TTS/FireRedTTS2
• 文件大小：约 2GB
• 下载进度：界面显示实时进度条

下载完成后，模型被本地缓存，后续使用无需重新加载。

节点详解

1. FireRedTTS2 对话节点（Dialogue Node）

用于生成包含多个角色的对话音频。

输入参数：

输出：

• audio：生成的对话音频（24kHz）
• sample_rate：采样率（固定为 24000 Hz）

2. FireRedTTS2 独白节点（Monologue Node）

适用于单人叙述、故事朗读等场景。

输入参数：

输出：

• audio：生成的独白音频（24kHz）
• sample_rate：24000 Hz

使用示例

示例一：基础对话生成

[S1]欢迎收听我们的科技播客！
[S2]今天我们要聊的是大模型推理优化。
[S1]这是一个非常热门的话题。

添加“FireRedTTS2 Dialogue”节点，粘贴上述文本，连接音频输出至预览或保存节点即可播放。

示例二：声音克隆对话

1. 准备两位说话者的参考音频（WAV/MP3格式）
2. 将音频文件拖入 S1 和 S2 输入端口
3. 在 S1_text 和 S2_text 中填入对应文本
4. 运行节点，生成带有真实音色的对话

✅ 提示：参考音频建议长度 ≥3秒，清晰无背景噪音

示例三：长文本独白生成

适用于小说朗读、知识讲解等内容：

• 输入文本可自动分段处理（推荐每段<500字符）
• 可配合 prompt_wav 实现特定音色播报
• 支持批量生成多个段落并拼接

参数调优指南

Temperature（温度）

建议值：对话场景 0.9，独白场景 0.75

TopK

建议值：一般设为 30（对话）、20（独白）

常见问题与解决

性能优化建议

内存管理

• 长文本会自动切分处理，降低内存压力
• 模型实例被缓存复用，提升连续生成效率

速度提升

• 首次加载需下载模型，后续启动更快
• GPU 加速显著提高生成速度（NVIDIA 推荐 4GB+ VRAM）
• 批量处理多个短文本比单次超长输入更高效

系统要求

支持 macOS（MPS）、Windows/Linux（CUDA/CPU）全平台运行。