# ComfyUI_FishSpeech_EX 插件完全使用指南 ## 1. 插件简介 ComfyUI_FishSpeech_EX 是一个专门为 Fish-Speech-1.5 版本优化的插件，只适用于 1.5 版本。这个插件就像一个声音魔法师，能够把文字变成自然流畅的语音，还能从现有的声音中提取特征，让你的 AI 学会模仿不同人的说话风格。 **插件原始地址：** https://github.com/BIMer-99/ComfyUI_FishSpeech_EX **这个插件能给你带来什么神奇效果？** - 把任何文字转换成自然的语音，就像真人在说话 - 让 AI 学会模仿特定人的声音特征 - 从音频中提取"声音指纹"，用于声音克隆 - 高质量的语音合成，听起来不像机器人 ## 2. 如何安装 **方法一：通过 ComfyUI 管理器安装（推荐）** 1. 打开 ComfyUI 2. 点击右侧的"Manager"按钮 3. 在搜索框输入"ComfyUI_FishSpeech_EX" 4. 找到插件后点击"Install" 5. 安装完成后重启 ComfyUI **方法二：手动安装** 1. 打开 ComfyUI 的安装目录 2. 进入 `custom_nodes` 文件夹 3. 在这里打开命令行 4. 输入：`git clone https://github.com/BIMer-99/ComfyUI_FishSpeech_EX.git` 5. 重启 ComfyUI **重要提醒：** 这个插件需要安装 vector-quantize-pytorch 库，如果没有安装，音频质量会很差。 ## 3. 节点详细解析 ### 3.1 EX_AudioToPrompt 节点 - 声音转换器 这个节点就像一个"声音翻译机"，它能把你输入的音频文件转换成 AI 能理解的"声音密码"。想象一下，你有一段某个人说话的录音，这个节点就能把这个人的声音特征提取出来，变成数字信息。 **参数详解：** | 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 音频输入 | audio | 音频文件 | 任何音频 | 就像把CD放进播放器一样，这里放你要分析的声音 | 输入的音频数据，用于提取声音特征 | 拖入一段10秒左右的清晰人声录音 | | VQGAN模型 | vqgan | 模型文件 | 预训练模型 | 这是一个"声音解码器"，专门用来理解声音的 | 用于音频编码和解码的生成对抗网络模型 | 选择下载好的 VQGAN 模型文件 | **输出结果：** - **restored_audio**: 处理后的音频，就像给原声音做了一次"美容" - **prompt_tokens**: 声音的"指纹信息"，后面用来告诉 AI 要模仿什么声音 ### 3.2 EX_Prompt2Semantic 节点 - 声音密码生成器 这个节点是整个系统的"大脑"，它接收前面提取的声音特征，然后生成对应的语音编码。就像一个翻译官，把声音特征翻译成 AI 能直接使用的"语言"。 **参数详解：** | 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 声音特征输入 | prompt_tokens | 特征数据 | 来自上一步 | 这是前面提取的"声音指纹"，告诉AI要模仿什么声音 | 音频提示的token化表示 | 连接 EX_AudioToPrompt 的输出 | | 文本内容 | text | 字符串 | 要合成的文字 | 你想让AI说什么话，就在这里输入什么 | 需要转换为语音的文本内容 | 输入"你好，我是AI助手" | | 语言设置 | language | 语言代码 | zh/en/ja等 | 选择要说话的语言，就像选择字典一样 | 指定文本的语言类型 | 中文选择"zh"，英文选择"en" | | 采样步数 | steps | 数字 | 30-50 | 就像画画的精细程度，数字越大越精细但越慢 | 语音合成的采样迭代次数 | 一般设置40，质量和速度平衡 | | 温度参数 | temperature | 0.1-2.0 | 0.7 | 控制声音的"创造性"，越高越随意，越低越稳定 | 控制生成随机性的参数 | 0.7比较自然，1.0更有变化 | **输出结果：** - **codes**: 生成的音频编码，这是最终语音的"原材料" ### 3.3 EX_LoadVQGAN 节点 - 模型加载器 这个节点就像一个"工具箱管理员"，负责把 VQGAN 模型加载到内存中，让其他节点可以使用。 **参数详解：** | 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 模型路径 | model_path | 文件路径 | 模型文件位置 | 告诉程序VQGAN模型放在电脑的哪个位置 | VQGAN模型文件的存储路径 | 选择下载的.pth或.ckpt模型文件 | | 设备选择 | device | cpu/cuda | cuda | 选择用CPU还是显卡来运行，显卡更快 | 指定模型运行的硬件设备 | 有显卡选cuda，没有选cpu | **输出结果：** - **vqgan_model**: 加载好的模型，供其他节点使用 ### 3.4 EX_Semantic2Audio 节点 - 声音生成器 这个节点是最后一步，它把前面生成的音频编码转换成你能听到的声音文件。就像一个"声音打印机"，把数字信息变成真正的声音。 **参数详解：** | 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 音频编码 | codes | 编码数据 | 来自上一步 | 这是前面生成的"声音配方"，现在要把它做成真正的声音 | 语音的编码表示 | 连接 EX_Prompt2Semantic 的输出 | | VQGAN模型 | vqgan | 模型 | 已加载模型 | 用来"解码"声音的工具 | 音频解码模型 | 连接 EX_LoadVQGAN 的输出 | | 采样率 | sample_rate | 数字 | 22050/44100 | 声音的"清晰度"，数字越大越清晰 | 音频采样频率 | 22050适合语音，44100适合音乐 | **输出结果：** - **audio**: 最终生成的音频文件，可以播放的声音 ### 3.5 EX_SaveAudioToMp3 节点 - 音频保存器 这个节点就像一个"录音机"，把生成的声音保存成 MP3 文件到你的电脑上。 **参数详解：** | 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 音频输入 | audio | 音频数据 | 生成的音频 | 要保存的声音文件 | 待保存的音频数据 | 连接前面节点的音频输出 | | 文件名 | filename | 文字 | 自定义名称 | 给保存的文件起个名字 | 输出文件的名称 | 输入"我的语音_001" | | 保存路径 | output_path | 路径 | 输出文件夹 | 决定文件保存到电脑的哪个位置 | 文件保存的目录路径 | 选择桌面或专门的文件夹 | | 音质设置 | bitrate | 数字 | 128/320 | 控制MP3的音质，数字越大文件越大但越清晰 | 音频比特率 | 128够用，320更高质量 | **输出结果：** - **file_path**: 保存的文件路径，告诉你文件存在哪里了 ## 4. 使用技巧和建议 ### 4.1 获得最佳效果的小窍门 **选择合适的参考音频：** - 使用10-30秒的清晰人声录音 - 避免有背景音乐或噪音的音频 - 最好是单人说话，语速正常的录音 **参数调节建议：** - 初学者建议使用默认参数 - 如果声音听起来太机械，可以把 temperature 调高到 0.8-1.0 - 如果需要更稳定的输出，把 temperature 调低到 0.5-0.6 - 采样步数建议在 30-50 之间，太低质量差，太高浪费时间 **提高音质的方法：** - 确保安装了 vector-quantize-pytorch 库 - 使用高质量的 VQGAN 模型 - 输入文本避免过长，建议分段处理 ### 4.2 常见工作流程 **基础语音合成流程：** 1. EX_LoadVQGAN → 加载模型 2. EX_AudioToPrompt → 处理参考音频 3. EX_Prompt2Semantic → 生成语音编码 4. EX_Semantic2Audio → 生成最终音频 5. EX_SaveAudioToMp3 → 保存文件 ## 5. 常见问题解答 **Q1: 为什么生成的音频质量很差？** A1: 最常见的原因是没有安装 vector-quantize-pytorch 库。请确保已经安装了这个库。 **Q2: 支持哪些语言？** A2: 主要支持中文(zh)、英文(en)、日文(ja)等，具体看你使用的模型支持范围。 **Q3: 生成速度很慢怎么办？** A3: 检查是否选择了 GPU 加速，确保在 device 参数中选择 "cuda"。 **Q4: 模型文件去哪里下载？** A4: 建议去官方的 Fish-Speech 项目页面下载对应的模型文件。 **Q5: 可以用来做商业用途吗？** A5: 请查看具体模型的许可证，不同模型有不同的使用限制。 ## 6. 进阶技巧 ### 6.1 批量处理技巧 如果你需要处理多个音频文件，可以： - 使用 ComfyUI 的批处理功能 - 将多个文本分段处理，避免单次处理过长内容 - 为不同的声音特征建立不同的工作流模板 ### 6.2 优化建议 **内存管理：** - 处理完一个任务后，可以清理 GPU 显存 - 避免同时加载多个大模型 **质量优化：** - 尝试不同的采样步数找到最佳效果 - 对比不同 temperature 值的效果 - 使用高质量的参考音频 这个插件虽然功能强大，但也需要一定的实践才能熟练掌握。建议先用默认参数试试效果，再根据需要慢慢调整。记住，好的参考音频是成功的一半！
ComfyUI图像合并插件comfyui-merge使用教程 2025-07-03 22:44 ComfyUI 图像合并插件教程 (comfyui-merge) 1. 插件简介 这是一个专门用来合并图片的 ComfyUI 插件，就像用 PS 把多张图片叠在一起那样。它的特别之处在于你精确控制每张图片的混合方式。 GitHub 地址：https://github.com/LingSss9/com
%20(1).png)
