ComfyUI-QwenASR：轻量可靠的语音转文本自定义节点，支持长音频处理与精准字幕生成

ComfyUI-QwenASR是一款专为Qwen3-ASR（自动语音识别）模型打造的ComfyUI自定义节点包，核心定位是为ComfyUI用户提供简单、可靠、高效的语音转文本及字幕生成工作流，无需复杂的外部工具或命令行操作，仅通过可视化节点拖拽即可完成语音处理任务。

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

这款节点包聚焦于实际使用场景的便捷性，不仅支持基础的语音转文本，还针对长音频处理、精准字幕生成等核心需求做了优化，同时提供本地模型缓存、双下载源支持，既降低了模型使用门槛，又提升了国内用户的下载与运行体验，适合内容创作者、音频从业者以及ComfyUI爱好者，用于处理播客、会议录音、短视频音频等各类语音内容。

通义千问开源 Qwen3-ASR 与 Qwen3-ForcedAligner：支持流式、多语言、高并发的语音识别与对齐工具

相较于其他语音识别节点，ComfyUI-QwenASR的核心优势在于“轻量简易”与“功能实用”，无需繁琐配置，新手也能快速上手，同时满足长音频、精准时间轴字幕等核心需求，完美融入ComfyUI的自动化工作流生态。

核心功能特性：简易高效，覆盖语音处理核心需求

ComfyUI-QwenASR的功能围绕“简化语音转写流程、提升字幕生成精度”展开，核心特性兼顾便捷性与实用性，具体如下：

1. 双核心节点设计，按需选择：提供两个核心功能节点，分别对应“简易语音转文本”与“字幕生成”，用户可根据自身需求选择对应的节点，无需加载冗余功能，轻量高效。
2. 长音频自动分块处理：无需手动将长音频切割分段，节点会在模型管道内部自动进行分块处理，轻松应对长篇会议录音、播客、有声书等长时程音频内容，提升处理效率。
3. 强制对齐器，生成精准字幕：内置强制对齐器模型，能够为转录内容生成带精准时间轴的字幕，解决普通字幕时间轴偏差较大的问题，满足视频字幕制作等高精度需求。
4. 本地模型缓存，重复使用更便捷：下载的模型会统一缓存到ComfyUI/models/Qwen3-ASR/目录下，后续使用无需重复下载，节省网络带宽，同时支持离线运行（模型下载完成后）。
5. HuggingFace / ModelScope 双下载源支持：适配不同网络环境的用户，国内用户优先选择ModelScope下载源，可获得更快的下载速度与更稳定的连接，避免网络超时问题。
6. 灵活输出配置，满足多样需求：字幕生成节点支持多种输出格式（none/txt/srt）与自定义输出路径，兼顾普通用户的直接使用与高级用户的后续处理需求。

核心节点介绍：功能清晰，快速上手

ComfyUI-QwenASR仅包含两个核心节点，功能划分明确，操作简单，在ComfyUI搜索框中输入ASR即可快速找到这两个节点，无需在繁杂节点列表中查找。

节点1：ASR (QwenASR)——快速语音转文本

该节点的核心用途是完成基础、快速的语音转文本任务，不生成时间轴，适合仅需要提取音频文字内容的场景（如整理会议核心纪要、提取播客文字稿等）。

1. 输入项：仅需连接ComfyUI的标准AUDIO输出（如来自LoadAudio节点，用于加载本地MP3、WAV等常见格式音频文件）。
2. 优化提示：可在节点中输入关键词、人名、专业术语等信息，帮助模型提升特殊内容的识别准确率，减少转录误差。
3. 输出项：仅输出text（纯文本内容），可直接连接ShowText节点查看结果，或连接SaveText节点保存为本地文本文件。

节点2：Subtitle (QwenASR)——带时间戳精准字幕生成

该节点的核心用途是生成带精准时间轴的字幕，适合视频字幕制作、需要对应语音与文本时间点的场景，功能更丰富，配置更灵活。

1. 输入项：
   • 核心输入：AUDIO（连接LoadAudio节点加载的音频文件）。
   • 优化选项：可输入关键词、人名、专业术语等，提升特殊内容识别准确率。
   • 高级选项：强制对齐器（开启后提升时间轴精度）、最大批处理大小（调整运行效率，适配不同硬件）、最大新生成词数（控制转录文本长度）。
2. 输出项：
   • text：纯文本转录内容（无时间轴）。
   • subtitles：带精准时间轴的字幕内容。
   • language：识别出的音频语言。
   • OUTPUT_PATH：字幕文件的保存路径（可自定义）。
3. 额外配置：
   • 输出格式：支持none（仅在ComfyUI内查看，不保存文件）、txt（保存为纯文本字幕文件）、srt（保存为标准SRT字幕文件，可直接用于视频剪辑）。
   • 输出路径：默认保存到ComfyUI/output/ComfyUI-QwenASR/，可自定义修改，方便后续查找与整理。
   • 分块模式：默认采用“标点+停顿+长度”综合分块，更适合字幕生成，保证字幕语句的完整性与连贯性。

安装步骤：三步完成部署，重启即可使用

该节点包的安装流程简单易懂，核心分为“克隆仓库、安装依赖、重启ComfyUI”三步，前置要求是已安装并正常运行ComfyUI，且具备完整的Python环境。

步骤1：克隆项目仓库到ComfyUI自定义节点目录

打开终端（Windows使用CMD/PowerShell，Mac/Linux使用终端），切换到ComfyUI的custom_nodes目录，然后克隆项目源码：

# 切换到ComfyUI自定义节点目录（请替换为你的ComfyUI实际路径）
cd ComfyUI/custom_nodes
# 克隆项目仓库
git clone https://github.com/1038lab/ComfyUI-QwenASR.git

步骤2：安装项目所需依赖包

进入项目目录，执行命令安装requirements.txt中列出的所有依赖（PS：依赖项较多且有固定版本的依赖项，可能会与其他节点冲突），保证节点能够正常运行：

# 进入ComfyUI-QwenASR项目目录
cd ComfyUI-QwenASR
# 安装依赖包
pip install -r requirements.txt

步骤3：重启ComfyUI，验证节点是否生效

安装完成后，关闭当前正在运行的ComfyUI服务，然后重新启动ComfyUI。

重启成功后，在ComfyUI的搜索框中输入ASR，若能找到ASR (QwenASR)与Subtitle (QwenASR)两个节点，说明安装成功，可开始配置使用。

模型管理：双下载源、自定义路径，适配不同场景

ComfyUI-QwenASR支持多款Qwen3系列模型，同时提供灵活的配置选项，适配不同网络环境与模型存储需求，具体如下：

支持的模型列表

该节点包支持以下三款模型，满足不同精度与功能需求：

1. Qwen/Qwen3-ASR-1.7B：大参数语音识别模型，识别准确率更高，适合对转录精度要求较高的场景（显存占用相对较高）。
2. Qwen/Qwen3-ASR-0.6B：轻量语音识别模型，显存占用较低，运行速度更快，适合普通场景与中端硬件（默认使用该模型）。
3. Qwen/Qwen3-ForcedAligner-0.6B：强制对齐器模型，专门用于生成精准时间轴字幕，仅在使用Subtitle (QwenASR)节点时加载。

模型默认存储位置

所有下载的模型都会统一缓存到以下目录，后续使用无需重复下载，支持离线运行：

ComfyUI/models/Qwen3-ASR/

配置文件修改（config.json）：自定义默认设置

项目仓库根目录下的config.json文件用于配置默认设置，用户可编辑该文件修改默认下载源、默认模型等，适配自身需求。

1. 示例配置内容：

{
  "defaults": {
    "source": "ModelScope",
    "repo_id": "Qwen/Qwen3-ASR-0.6B"
  }
}

2. 关键配置说明：
   • source：默认下载源，可选HuggingFace或ModelScope，国内用户推荐选择ModelScope，下载速度更快、连接更稳定。
   • repo_id：默认使用的模型，可根据自身硬件配置与精度需求，修改为Qwen/Qwen3-ASR-1.7B或Qwen/Qwen3-ASR-0.6B。

自定义模型路径（extra_model_paths.yaml）

若不想将模型存储在默认目录，可将模型的父目录添加到ComfyUI的extra_model_paths.yaml配置文件中，节点会自动在该配置的路径中搜索Qwen3-ASR系列模型，无需手动指定模型路径。

使用示例：两种经典工作流，拖拽即可运行

ComfyUI-QwenASR提供两种经典工作流，无需复杂配置，拖拽节点即可快速上手，满足不同场景需求。

示例1：语音转文本工作流（仅提取文字内容）

该工作流用于快速将音频转换为纯文本，步骤简单，适合整理会议纪要、播客文字稿等场景：

LoadAudio（加载本地音频）→ ASR (QwenASR)（执行语音转文本）→ ShowText（查看转录结果）

• 扩展：若需要保存文本文件，可将ASR (QwenASR)的输出连接SaveText节点，自定义保存路径与文件名。

示例2：字幕生成工作流（生成带精准时间轴的字幕）

该工作流用于生成带时间轴的字幕，适合视频字幕制作等场景，支持直接保存为SRT文件：

LoadAudio（加载本地音频）→ Subtitle (QwenASR)（生成字幕）→ ShowText（查看结果）/ SaveText（保存字幕文件）

• 关键配置：在Subtitle (QwenASR)节点中，将输出格式设置为srt，即可生成标准SRT字幕文件，直接用于Pr、剪映等视频剪辑软件。

注意事项：避坑指南，保证运行顺畅

1. 长音频处理无需手动分段，节点会在内部自动分块处理，但硬件配置较低时（如显存不足），处理速度可能较慢，建议耐心等待。
2. 生成带精准时间轴的字幕，必须保证Qwen/Qwen3-ForcedAligner-0.6B模型可用（已下载或已配置自定义路径），否则无法生成精准时间轴。
3. 若更换电脑、迁移ComfyUI或手动调整模型存储路径，可通过节点的local_model_path参数手动指定模型路径，保证节点能够正常加载模型。
4. 安装依赖时若出现网络超时，可切换国内PyPI镜像源（如清华源、阿里云源）加速安装，避免依赖缺失导致节点运行失败。

同类节点

• ComfyUI-Qwen3-ASR：https://github.com/DarioFT/ComfyUI-Qwen3-ASR