# ComfyUI-MegaTTS 插件完全保姆级教程 ## 1. 插件简介 ComfyUI-MegaTTS 是一个基于字节跳动 MegaTTS3 模型的声音合成插件，插件地址：https://github.com/1038lab/ComfyUI-MegaTTS 这个插件就像是一个"超级变声器"，可以让电脑用任何人的声音来读文字。你只需要： - 给它一段文字（中文或英文都行） - 给它一个人的声音样本 - 它就能用这个人的声音来读出你写的文字 简单来说，就是让电脑模仿任何人说话，而且听起来非常自然！ **能给我们带来什么效果：** - 制作有声读物：让明星的声音来读你的小说 - 多语言配音：让中国人的声音说英文，或让外国人的声音说中文 - 个性化语音助手：用自己的声音制作专属语音助手 - 视频配音：为视频制作专业配音 ## 2. 如何安装 ### 方法一：通过 ComfyUI 管理器安装 1. 打开 ComfyUI，点击右边的"Manager"按钮 2. 在搜索框里输入"MegaTTS" 3. 找到这个插件后点击"Install"安装 4. 重启 ComfyUI ### 方法二：手动安装 1. 打开你的 ComfyUI 文件夹 2. 进入 `custom_nodes` 文件夹 3. 在这里打开命令行，输入： ``` git clone https://github.com/1038lab/ComfyUI-MegaTTS.git ``` 4. 进入下载的文件夹： ``` cd ComfyUI-MegaTTS pip install -r requirements.txt ``` 5. 重启 ComfyUI **注意：** 首次使用时，插件会自动下载需要的模型文件（大约几个GB），请耐心等待。 ## 3. 节点详细解析 ### 3.1 MegaTTS3 节点（完整版声音合成器） 这是主要的声音合成节点，就像一个功能齐全的录音棚，你可以精细调节各种参数来获得最佳效果。 #### 3.2 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 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | input_text | input_text | 文本字符串 | 不超过500字 | 这是你想让电脑读出来的文字，就像给播音员的稿子 | 输入的文本内容，支持中英文混合 | 输入"你好世界"或"Hello World"，电脑就会读出这些字 | | language | language | en/zh | 根据文本语言选择 | 告诉电脑用什么语言的发音规则，就像选择普通话还是English | 设置语言模式，影响发音和语调 | 中文选"zh"，英文选"en"，混合文本选主要语言 | | generation_quality | generation_quality | 1-50 | 10-15 | 控制声音质量，数字越大越清晰但越慢，就像调节录音质量 | 控制扩散步数，影响音频生成质量 | 快速测试用5，最终作品用15-30 | | pronunciation_strength | pronunciation_strength(p_w) | 1.0-5.0 | 2.0 | 控制发音标准程度，像调节播音员的"普通话水平" | 控制发音准确性，高值产生更标准发音 | 保持口音用1.0-1.5，标准发音用2.5-4.0 | | voice_similarity | voice_similarity(t_w) | 1.0-5.0 | 3.0 | 控制声音相似度，数字越大越像原声音，就像调节"模仿程度" | 控制与参考声音的相似度 | 自然一些用2.0，完全模仿用4.0-5.0 | | reference_voice | reference_voice | 声音文件名 | 清晰人声 | 选择要模仿的声音样本，就像选择"配音演员" | 参考音频文件，用于声音克隆 | 选择"张三.wav"就用张三的声音读文字 | ### 3.3 MegaTTS Simple 节点（简化版声音合成器） 这是简化版的声音合成节点，就像傻瓜相机一样，自动设置了最佳参数，特别适合新手使用。 #### 3.4 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 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | input_text | input_text | 文本字符串 | 不超过500字 | 这是你想让电脑读出来的文字，和完整版一样 | 输入的文本内容，支持中英文混合 | 输入"今天天气真好"，电脑就会读出来 | | language | language | en/zh | 根据文本语言选择 | 选择语言，和完整版一样的功能 | 设置语言模式，影响发音和语调 | 中文内容选"zh"，英文内容选"en" | | reference_voice | reference_voice | 声音文件名 | 清晰人声 | 选择要模仿的声音，和完整版一样 | 参考音频文件，用于声音克隆 | 选择"王五.wav"就用王五的声音 | ### 3.5 MegaTTS Voice Maker 节点（声音准备工具） 这个节点就像一个"声音处理厂"，可以把任何音频文件转换成适合声音克隆的格式。 #### 3.6 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 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | audio_input | audio_input | 音频文件 | 清晰录音 | 输入你想要处理的原始音频，就像给洗衣机放脏衣服 | 原始音频输入，支持多种格式 | 拖入一个MP3文件，它会自动处理成合适格式 | | normalize_audio | normalize_audio | True/False | True | 是否调整音量大小，就像自动调节麦克风音量 | 音频标准化处理，统一音量水平 | 开启后声音大小会自动调整到合适水平 | | trim_silence | trim_silence | True/False | True | 是否去掉开头结尾的静音，就像剪掉录音前后的空白 | 自动删除音频开头和结尾的静音部分 | 开启后会自动去掉"嗯..."和末尾的停顿 | | target_sample_rate | target_sample_rate | 24000 | 24000 | 设置音频清晰度，就像调节录音质量 | 目标采样率，影响音频质量 | 保持24000就行，这是最佳设置 | | max_duration | max_duration | 1-24秒 | 10-15秒 | 最长录音时间，就像设置录音时长限制 | 音频最大长度限制 | 设置10秒，超过的部分会被自动截断 | ### 3.7 MegaTTS Unload 节点（内存清理工具） 这个节点就像电脑的"垃圾清理器"，专门清理声音合成后占用的内存空间。 #### 3.8 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 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | trigger | trigger | 任意输入 | 连接其他节点 | 这个按钮就像"清理垃圾"的开关，连接后自动清理 | 触发内存清理的信号输入 | 把前面声音合成节点的输出连接到这里 | ## 4. 使用技巧和建议 ### 4.1 声音样本准备技巧 - **录音质量**：就像拍照一样，原图越清晰，效果越好 - **录音长度**：5-15秒最佳，太短学不会，太长浪费时间 - **说话内容**：最好是正常说话，不要唱歌或大喊大叫 - **背景环境**：安静环境录音，就像在录音棚里 ### 4.2 参数调优建议 - **新手推荐**：先用 Simple 节点，参数都是自动的 - **追求质量**：用完整版节点，generation_quality 设为 15-20 - **快速测试**：generation_quality 设为 5，先看效果再调优 - **跨语言克隆**：pronunciation_strength 调高到 3.0-4.0 ### 4.3 常用参数组合 | 使用场景 | pronunciation_strength | voice_similarity | generation_quality | | :--- | :--- | :--- | :--- | | 标准朗读 | 2.0 | 3.0 | 15 | | 保持口音 | 1.0-1.5 | 4.0-5.0 | 15 | | 跨语言配音 | 3.0-4.0 | 3.0-5.0 | 15 | | 情感表达 | 1.5-2.5 | 4.0-5.0 | 20 | | 快速测试 | 2.0 | 3.0 | 5 | ## 5. 常见问题解答 ### Q1: 为什么生成的声音不像原声音？ **A:** 这通常是因为： - 参考音频质量不好（有杂音、太短、太长） - voice_similarity 参数设置太低，试试调到 4.0-5.0 - 原声音和目标语言差异太大 ### Q2: 生成速度很慢怎么办？ **A:** 可以这样优化： - 降低 generation_quality 到 5-10 - 使用 Simple 节点而不是完整版 - 用完后记得用 Unload 节点清理内存 ### Q3: 显存不够用怎么办？ **A:** 试试这些方法： - 降低 generation_quality 参数 - 每次生成后用 Unload 节点清理 - 关闭其他占用显存的软件 - 分批次生成长文本 ### Q4: 支持哪些音频格式？ **A:** 支持常见格式： - 推荐：WAV 格式，24kHz 采样率 - 也支持：MP3、M4A、FLAC 等 - Voice Maker 可以自动转换格式 ### Q5: 如何获得更好的声音效果？ **A:** 遵循这些原则： - 使用清晰、无杂音的参考音频 - 参考音频长度控制在 5-15 秒 - 根据需要调整 pronunciation_strength 和 voice_similarity - 提高 generation_quality 可以获得更好质量 ## 6. 进阶使用技巧 ### 6.1 制作专业配音工作流程 1. 用 Voice Maker 处理原始音频 2. 用 MegaTTS3 生成高质量语音 3. 用 Unload 清理内存 4. 重复以上步骤处理不同段落 ### 6.2 批量处理技巧 - 准备多个短文本，逐个处理 - 每处理完一个就用 Unload 清理 - 可以准备多个不同的声音样本切换使用 ### 6.3 声音文件管理 - 在 ComfyUI 目录下创建 `Voices` 文件夹 - 每个声音样本需要两个文件：`.wav` 和 `.npy` - 文件名要一致，比如 `张三.wav` 和 `张三.npy` 这个插件为 ComfyUI 用户提供了强大的声音合成能力，无论是制作有声读物、配音、还是其他创意项目，都能轻松胜任。记住，好的声音样本是成功的关键！
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)
