ComfyUI-Qwen-TTS：基于 Qwen3-TTS 的 ComfyUI 语音合成自定义节点

ComfyUI-Qwen-TTS 是基于阿里巴巴 Qwen 团队开源项目 Qwen3-TTS 开发的专用自定义节点集，专为 ComfyUI 提供一站式文本转语音、声音克隆、声音设计与多角色对话合成能力，支持高质量、低延迟、多语言的端到端语音生成。

• GitHub：https://github.com/flybirdxx/ComfyUI-Qwen-TTS
• 作者教程：https://space.bilibili.com/5594117?spm_id_from=333.1007.0.0

功能特性

• 高质量语音合成：原生支持高保真文本转语音生成。
• 零样本声音克隆：仅需 5–15 秒参考音频，即可实现零样本音色复刻。
• 自然语言声音设计：通过文本描述直接生成指定风格、音色、情绪的声音。
• 高效推理架构：支持 12Hz、25Hz 双架构语音 Tokenizer，兼顾速度与音质。
• 多语言支持：原生支持中文、英文、日文、韩文、德文、法文、俄文、葡萄牙文、西班牙文、意大利文共 10 种主流语言。
• 一体化模型加载：无需独立加载器节点，模型按需加载并支持全局缓存。
• 超低延迟生成：基于新一代架构实现快速语音重建与流式输出。
• 多种注意力机制：支持 sage_attn、flash_attn、sdpa、eager，并支持自动检测与优雅降级。
• 灵活显存管理：支持生成后自动卸载模型，释放 GPU 资源。

节点功能说明

ComfyUI-Qwen-TTS 提供完整的语音生成、克隆、管理、对话编排节点，覆盖从单句 TTS 到多角色有声书全场景。

1. Qwen3-TTS 声音设计（VoiceDesignNode）

通过自然语言描述创建专属音色，适合构建虚构角色、特定声线人设。

输入:

• text: 要合成的目标文本。
• instruct: 声音描述指令（例如："一个温和的高音女声"）。
• model_choice: 目前声音设计功能锁定为 1.7B 模型。
• attention: 注意力机制 (auto, sage_attn, flash_attn, sdpa, eager)。
• unload_model_after_generate: 生成后从内存卸载模型以释放 GPU 内存。

能力: 最适合创建"想象中的"声音或特定的人设。

2. Qwen3-TTS 声音克隆（VoiceCloneNode）

从参考音频克隆音色并生成新语音。（建议搭配之前介绍的ComfyUI-QwenASR一起使用）

输入:

• ref_audio: 一段短的（5-15秒）参考音频。
• ref_text: 参考音频中的文本内容（有助于提高质量）。
• target_text: 你希望克隆声音说出的新文本。
• model_choice: 可选择 0.6B（速度快）或 1.7B（质量高）。
• attention: 注意力机制 (auto, sage_attn, flash_attn, sdpa, eager)。
• unload_model_after_generate: 生成后从内存卸载模型以释放 GPU 内存。

3. Qwen3-TTS 预设声音（CustomVoiceNode）

使用官方预设音色进行标准 TTS 合成。

输入:

• text: 目标文本。
• speaker: 从预设声音中选择（Aiden, Eric, Serena 等）。
• instruct: 可选的风格指令。
• attention: 注意力机制 (auto, sage_attn, flash_attn, sdpa, eager)。
• unload_model_after_generate: 生成后从内存卸载模型以释放 GPU 内存。

4. Qwen3-TTS 角色银行（RoleBankNode）【新增】

集中管理多个角色声音，用于多角色对话编排。

输入:

最多 8 个角色，每个角色包含:

• role_name_N: 角色名称（例如："Alice", "Bob", "旁白"）
• prompt_N: 来自 VoiceClonePromptNode 的声音克隆提示

能力: 创建命名的声音注册表，用于 DialogueInferenceNode。每个银行最多支持 8 种不同的声音。

5. Qwen3-TTS 声音克隆 Prompt（VoiceClonePromptNode）【新增】

提取参考音频的声音特征，生成可复用的声音提示。

输入:

• ref_audio: 一段短的（5-15秒）参考音频。
• ref_text: 参考音频中的文本内容（强烈推荐以提高质量）。
• model_choice: 可选择 0.6B（速度快）或 1.7B（质量高）。
• attention: 注意力机制 (auto, sage_attn, flash_attn, sdpa, eager)。
• unload_model_after_generate: 生成后从内存卸载模型以释放 GPU 内存。

能力: 只需提取一次"Prompt 节点"，即可在多个 VoiceCloneNode 实例中复用，提高生成效率并保证音质一致性。

6. Qwen3-TTS 多角色对话（DialogueInferenceNode）【新增】

支持复杂剧本、多角色对话批量合成，适用于有声书、短剧、角色扮演。

输入:

• script: 对话脚本，格式为"角色名: 文本"。
• role_bank: 来自 RoleBankNode 的角色银行，包含声音提示。
• model_choice: 可选择 0.6B（速度快）或 1.7B（质量高）。
• attention: 注意力机制 (auto, sage_attn, flash_attn, sdpa, eager)。
• unload_model_after_generate: 生成后从内存卸载模型以释放 GPU 内存。
• pause_seconds: 句子之间的静音持续时间。
• merge_outputs: 将所有对话片段合并为一段长音频。
• batch_size: 并行处理的行数（越大越快，但占用更多显存）。

能力: 在单个节点内处理多角色语音合成，非常适合有声书制作或角色扮演场景。

7. Qwen3-TTS 加载声音（LoadSpeakerNode）【新增】

加载已保存的声音特征与参考文本，实现一键复用个人音色库。

• 输入: 选择已保存的 .wav 文件。
• 能力: 实现“一键加载”体验，自动同步加载预计算特征和参考文本。

8. Qwen3-TTS 保存声音（SaveVoiceNode）【新增】

将克隆音色、特征与文本永久保存至本地，构建可管理的个人声音库。

• 能力: 建立个性化声音库。保存后可通过 LoadSpeakerNode 极速调用。

9. Qwen3-TTS 全局配置（QwenTTSConfigNode）【新增】

精细化控制语音节奏与标点停顿，提升自然度。

输入:

• pause_linebreak: 换行符处的停顿时间。
• period_pause: 句号 (.) 后的停顿时间。
• comma_pause: 逗号 (,) 后的停顿时间。
• question_pause: 问号 (?) 后的停顿时间。
• hyphen_pause: 连字符 (-) 后的停顿时间。

用法: 连接到其他 TTS 节点的 config 输入端。

注意力机制与自动选择

所有节点均支持多种注意力加速方案，并具备自动检测与优雅降级能力。

自动选择优先级（auto 模式）

sage_attn → flash_attn → sdpa → eager

优雅降级机制

若指定注意力不可用，系统将自动降级至可用方案，并在控制台输出提示与日志。

模型缓存与显存管理

模型缓存

• 缓存按注意力机制区分，不同机制可共存
• 切换注意力会自动清空缓存并重新加载模型

生成后卸载模型（全局开关）

所有节点均提供 unload_model_after_generate 选项：

• 启用：生成后清空缓存、释放 GPU、执行垃圾回收（适合小显存 / 多模型切换）
• 禁用：模型保留缓存，后续生成更快（默认，适合连续生成）

推荐场景

• 显存 < 8GB：建议开启
• 频繁切换不同模型：建议开启
• 同模型连续生成：建议关闭

安装依赖

pip install torch torchaudio transformers librosa accelerate

模型目录结构

插件默认按以下路径自动搜索模型：

ComfyUI/
└── models/
    └── qwen-tts/
        ├── Qwen/Qwen3-TTS-12Hz-1.7B-Base/
        ├── Qwen/Qwen3-TTS-12Hz-0.6B-Base/
        ├── Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign/
        ├── Qwen/Qwen3-TTS-Tokenizer-12Hz/
        └── voices/  # 保存自定义音色

也可通过 extra_model_paths.yaml 自定义模型根目录：

qwen-tts: D:\MyAI\Models\Qwen

最佳实践

音质优化

• 声音克隆使用清晰、无噪音、5–15 秒参考音频
• 提供参考文本可显著提升克隆准确度
• 选择对应语言以保证韵律与发音准确

性能与显存

• 小显存（<8GB）建议开启 unload_model_after_generate
• 优先使用 attention: auto 自动选择最优加速
• 本地预下载模型可避免 HuggingFace 连接超时
• 追求极致速度：安装 sage_attn / flash_attn 可提速 2–3 倍
• 兼容性优先：使用 sdpa（内置无需安装）
• OOM 异常：切换为 eager 并使用 0.6B 模型

多角色对话

• 提高 batch_size 可加速生成（占用更高显存）
• 调整 pause_seconds 优化对话节奏
• 启用 merge_outputs 输出完整连续音频

其他同类节点：

• https://github.com/wanaigc/ComfyUI-Qwen3-TTS
• https://github.com/starsFriday/ComfyUI-Qwen3-TTS
• https://github.com/DarioFT/ComfyUI-Qwen3-TTS
• https://github.com/filliptm/ComfyUI-FL-Qwen3TTS

Flash Attention

• https://github.com/sdbds/flash-attention-for-windows
• https://github.com/wildminder/AI-windows-whl