ComfyUI-ScenemaAudio：支持表演级语音生成与零样本克隆的原生节点

98 0

ComfyUI-ScenemaAudio 是 Scenema Audio 模型的原生 ComfyUI 自定义节点包，基于 LTX 2.3 音频扩散 Transformer 构建，提供超越传统 TTS 的表演级语音生成能力。该工具支持通过自然语言提示词控制笑声、低语、破音、呼吸、歌唱及外国口音等表现元素，并具备零样本语音克隆功能。

GitHub：https://github.com/ScenemaAI/ComfyUI-ScenemaAudio
官方说明：https://scenema.ai/audio/comfy-ui

安装后自动集成预接线工作流，首次使用需下载约 30 GB 模型权重并完成 HuggingFace Gemma-3-12b-it 文本编码器授权。最低硬件要求为 8 GB 显存，已在 RTX 3070 与 RTX 4090 上验证，生成速度最高可达实时 2 倍。

Scenema Audio：基于 LTX 2.3 的零样本表现力语音克隆，分离身份与情感，实现“表演级”音频生成

安装配置与授权流程

部署过程分为节点安装与模型授权两步，缺一不可：

节点安装（二选一）

ComfyUI Manager（推荐）：在 Custom Nodes Manager 中搜索“Scenema Audio”并点击 Install，重启后即用
手动安装：克隆仓库至 custom_nodes/ 目录，执行 pip install -r requirements.txt，重启生效

两种方式均会自动在工作流侧边栏生成 Scenema Audio 文件夹，内含预连接工作流模板。

HuggingFace Token 配置

文本编码器 google/gemma-3-12b-it 需单独授权：

访问模型页面点击“Agree and access repository”
创建 read 权限 token
启动 ComfyUI 前通过 huggingface-cli login 或环境变量 HF_TOKEN 注册

未配置 token 时首次生成将失败并提示具体步骤，不会静默出错。模型权重总计约 30 GB，首次运行时自动从 HuggingFace 下载。

工作流结构与核心节点功能

加载预设工作流后，界面呈现六个节点、三个逻辑模块：

加载器模块：Model Loader 与 VAE Loader 全局共享，无需重复配置
语音克隆模块（可选）：LoadAudio → Scenema Audio VAE Encode → Generate 节点的 ref_latent 输入；参考音频上限 20 秒，超长不提升质量
生成与预览模块：Generate 节点集中处理所有文本输入与表演指令；Preview Audio 节点支持界面内即时试听

所有预设语音（如 Rage to Vulnerability、Terror、Irish Woman Dry Wit 等）均为下拉菜单一键加载，字段自动填充。选择“Custom”可从头构建自定义语音。

ComfyUI-ScenemaAudio：支持表演级语音生成与零样本克隆的原生节点

表演控制语法与多语言支持

语音生成效果由三个字段协同驱动：

语音描述：定义说话者身份，包括年龄、音色、口音、表达风格（例：“男性，50多岁，奥地利口音，温暖男中音但能瞬间变冷”）
动作标签：每行一条开场提示，设定整段表演基调（例：“他说话时面带微笑，却不带一丝温暖”）
语音文本：使用 [括号提示] 嵌入实时舞台指示，模型在精确位置执行（例：“你知道，[轻柔干笑]我一直觉得礼貌是握刀的一种迷人方式。[声音突然低沉亲密]而与此同时，他们的手已经伸向了你。”）

可用括号提示涵盖笑声、低语、破音、喘息、抽泣、叹息、停顿、情绪转换、强调、呼吸声等，等同于剧本中的表演注释。

支持十二种语言：英语、西班牙语、法语、德语、意大利语、葡萄牙语、日语、韩语、中文、印地语、阿拉伯语、斯瓦希里语。选择目标语言后，需用对应语言编写语音文本以确保发音与韵律准确。