ComfyUI-Drama3 是一款专为在消费级硬件上运行 Fish Audio Drama 3（35B 参数文本转语音模型）而设计的 ComfyUI 自定义节点包。该工具通过创新的显存管理策略，成功打破了庞大 MoE（混合专家）模型的硬件壁垒，使 8 GB 显存的显卡也能流畅实现高质量的声音克隆、多角色对话生成及精细的情感控制。
- GitHub：https://github.com/PedroMarinhoDev/ComfyUI-Drama3
核心特性与技术突破
- 突破显存限制的 MoE 调度：Drama 3 模型 90% 的权重为路由专家。该节点包通过自定义 CUDA 内核，将约 6 GB 的基础权重常驻 GPU，而将 32 GB 的专家权重保留在系统 RAM 中。GPU 仅缓存最常用的专家，未命中时通过 PCIe 直接从 RAM 读取或由 CPU 辅助计算（int8 格式下），实现了显存占用与推理速度的完美平衡。
- 极速推理体验：经过 2026 年 10 月的底层优化（CUDA 图重放），一块 RTX 3090 生成 9 秒台词仅需 6.7 秒（约为实时的 1.3 倍），而在双卡（如 3090 + 4090）配置下更是缩短至 2.8 秒。
- 精细的语音控制：
- 多角色对话：支持单文本中最多 16 位说话者，通过
<|speaker:N|>标签精准分配音色。 - 内联提示与导演指导：支持
[sighs]、[whispers]等点标签，<whisper>...</whisper>等范围标签，以及自然语言风格前缀（如[with bright eager excitement]），实现对语气、停顿和情感的精准把控。
- 多角色对话：支持单文本中最多 16 位说话者，通过
- 无缝的声音克隆与复用：仅需几秒干净音频及其转录稿即可完成声音编码。编码后的声音可保存为仅几 KB 的
.safetensors文件，后续可直接加载使用，无需重复运行编解码器。 - 原生集成 Qwen3-ASR：内置 1.7B 和 0.6B 版本的 Qwen3-ASR 语音识别模型，支持 30 种语言的自动转录与强制对齐，无需安装任何额外依赖包。
硬件适配与量化格式选择
为适应不同配置的硬件，该包提供了多种量化格式的模型文件，用户可根据自身显存和系统 RAM 灵活选择：
- FP8：保留最原始的权重精度，适合 24 GB 及以上显存且系统 RAM 充足（约 48 GB）的用户。
- int8 (ConvRot)：在 24 GB 以下显存的显卡上表现最佳。当 VRAM 缓存未命中时，CPU 可高效参与 int8 专家的计算，显著减少沉默或卡顿现象。
- W6A8 / W4A8：进一步压缩模型体积（最低约 24.6 GB 系统 RAM 占用），适合系统内存受限的场景，但在使用真实语音片段克隆时，出现沉默的概率略高于 int8。
核心工作流节点
ComfyUI-Drama3 提供了一套完整且模块化的节点，支持高度定制化的音频生产管线：
- Load Drama 3 / Codec：加载主模型与编解码器（编解码器仅在生成前后调用，不常驻显存）。
- Drama 3 Encode / Save / Load Voice：完成声音的编码、持久化存储与快速加载。
- Drama 3 Generate：核心生成节点，支持长文本自动分块处理，并提供多种说话人生成策略（如逐行生成、带上下文生成或全剧本联合生成）。
- Drama 3 Editor：提供可视化编辑界面，支持逐词对齐检查、静音调整、轨道分离及音量设置，修改后的配置可直接反馈回生成节点。
- Qwen3-ASR Transcribe：一键将音频转为带语言检测的精确文本，极大简化了声音克隆的准备工作。
使用建议与注意事项
- 提示词策略：官方建议保持
temperature 1.0、top_p 0.9。避免使用过高的top_k（如 30），这可能导致模型在停顿处异常沉默。 - 长文本处理：节点会自动将长文本切分为约 300 字节的块，建议将“导演指导”（Direction）与其对应的“台词”（Line）保持在同一个块内，以确保情感指令不被截断。
- 克隆质量：模型倾向于模仿参考音频的“交付风格”。平淡的参考音频会产生平淡的生成结果，建议提供富有表现力的干净录音以获得最佳效果。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
