Fish Audio：テキストから音声、ボイスクローン、音声からテキスト

ComfyUI で Fish Audio の TTS・ボイスクローン・音声書き起こしワークフローを実行：テンプレートの使い方、ノードの接続、Cloud リンク

Fish Audio は、テキストから音声への変換、ボイスクローン、音声からテキストへの変換をカバーする音声 AI サービスです。ComfyUI では 4 つのパートナーノード（Text to Speech、Speech to Text、Voice Selector、Instant Voice Clone）として提供されます。このページでは、用意されたワークフローテンプレートとノードの接続方法を説明します。インラインタグ（感情・トーン・ポーズ・音素）の完全なリファレンスは Fish Audio プロンプトガイド を参照してください。最新のテキスト読み上げモデルである Drama 3 には専用のページがあります: Fish Audio Drama 3。

APIノードを使用するには、正しくログインしていることと、許可されたネットワーク環境で使用していることを確認する必要があります。APIノードの使用に必要な具体的な要件については、ドキュメントの「APIノードの概要」セクションをご参照ください。

ローカルユーザー

ComfyUI が最新版に更新されていることを確認してください。

• ComfyUI のダウンロード
• 更新手順

このガイドで紹介するワークフローは、ワークフローテンプレートから入手できます。 テンプレート内に該当のワークフローが見つからない場合、ComfyUI のバージョンが古くなっている可能性があります。

ワークフローを読み込んだ際にノードが欠落している場合の考えられる原因：

1. 最新の ComfyUI（Nightly 版）を使用していない
2. 起動時に一部のノードのインポートに失敗している

クラウドユーザー

• Cloud は、ComfyUI の安定版リリース後に更新されます。

したがって、このドキュメントでコアノードが見つからない場合、それは新しいコアノードがまだ最新の安定版にリリースされていない可能性があります。次回の安定版リリースをお待ちください。

​

ComfyUI で Fish Audio を使う

Fish Audio のパートナーノードは、ノードメニューの partner/audio/Fish Audio 以下にあります。4 つのノードがワークフローをカバーします：

• Fish Audio Text to Speech：テキストを音声に変換し、AUDIO を出力します
• Fish Audio Speech to Text：音声をテキストに書き起こし、text、language_code、segments_json を出力します
• Fish Audio Voice Selector：プリセット音声の 1 つを選択するか、custom（https://fish.audio/m/<id>/ の ID）を通じて任意の fish.audio 音声モデルを接続し、voice を出力します
• Fish Audio Instant Voice Clone：録音から非公開のクローン音声を作成し、voice を出力します

​

モデルの選択

Text to Speech ノードの model パラメータには 2 つの選択肢があります：

• s2.1-pro（推奨）：0〜5 個の音声入力の自動拡張リストにより、複数の話者に対応します
• s1（レガシー）：単一のオプションの音声入力を受け付け、プロンプトガイドで説明されている丸括弧の感情タグ構文を使用します

最新モデル drama-3 は専用ページで説明しています：Fish Audio Drama 3。

​

音声の接続

Voice Selector または Instant Voice Clone の voice 出力を Text to Speech ノードに接続します。入力名はモデルによって異なります。s2.1-pro（推奨）は拡張可能な voices 入力（最大 5 個の音声スロット）を公開し、s1 は単一のオプションの voice 入力を持ちます。音声を 1 つだけ接続した場合、ノードは内部でそれを reference_id として渡します。2 つ以上接続する場合は、テキストで @Voice1、@Voice2 などのように話者を指定する必要があり、接続したすべての音声がテキストに少なくとも 1 回登場しないと、ノードはエラーを発生させます。プロンプトガイドの多話者対話を参照してください。

​

ボイスクローンの制限

Instant Voice Clone ノードは 1〜20 個の録音を受け付け、クリップあたり 10〜30 秒を推奨し、合計時間が 270 秒未満であることを検証します。enhance_audio_quality オプションはデフォルトで有効です。録音のコツについては、プロンプトガイドのボイスクローンの品質を参照してください。

​

アカウントと価格

これらのノードは ComfyUI アカウントへのサインインが必要で、使用ごとに課金されます。ノードに表示される参考価格：テキストから音声はテキスト 1M バイトあたり約 $21.45、音声からテキストは 1 分あたり$0.00858、ボイスクローンは無料です。

​

利用可能なワークフロー

3 つのすぐに使えるテンプレートが Fish Audio の主要フローをカバーします：テキストから音声、ボイスクローンから音声、音声からテキスト。ComfyUI のテンプレートライブラリから開くか、Comfy Cloud で直接実行できます。ボイスクローンと音声からテキストのテンプレートには ComfyUI 0.34.0 以降が必要です。Drama 3 には専用の 2 つのテンプレートがあり、Drama 3 ページで説明しています。

​

Fish Audio: テキストから音声

プリセット音声でセリフから音声を生成します。プロンプトガイドのインラインタグをテキストに書き込み、Voice Selector で別のプリセットを選ぶか、クローン音声を接続してください。

Comfy Cloudで実行

Comfy Cloudで開く

ワークフローをダウンロード

JSONをダウンロード、またはテンプレートライブラリで「Fish Audio: Text to Speech」を検索

入力素材

このファイルを該当するLoadAudioノードにアップロードしてください:

fish_audio_example.mp3

LoadAudio ノード11 · fish_audio_example.mp3

​

Fish Audio: ボイスクローンから音声

短い録音から声をクローンし、その声に任意のセリフを話させます。15〜20 秒のクリップを 2〜3 本録音し、LoadAudio ノードでアップロードして（または RecordAudio ノードで直接録音して）、Instant Voice Clone の出力を Text to Speech ノードに接続してください。録音のコツはプロンプトガイドのボイスクローンの品質を参照してください。

Comfy Cloudで実行

Comfy Cloudで開く

ワークフローをダウンロード

JSONをダウンロード、またはテンプレートライブラリで「Fish Audio: Voice Clone to Speech」を検索

入力素材

このファイルを該当するLoadAudioノードにアップロードしてください:

api_fishaudio_voice_clone_tts_fish_audio_example.mp3

LoadAudio ノード11 · api_fishaudio_voice_clone_tts_fish_audio_example.mp3

​

Fish Audio: 音声からテキスト

オーディオクリップをテキストに書き起こします。80 以上の言語を自動判別し、precise_timestamps を有効にするとセグメントごとの開始・終了時刻が JSON で返されるため、字幕作成に便利です。

Comfy Cloudで実行

Comfy Cloudで開く

ワークフローをダウンロード

JSONをダウンロード、またはテンプレートライブラリで「Fish Audio: Speech to Text」を検索

入力素材

このファイルを該当するLoadAudioノードにアップロードしてください:

fish_audio_example.mp3

LoadAudio ノード11 · fish_audio_example.mp3

​

はじめに

1. ComfyUI を最新版に更新します
2. 上のワークフローテンプレートを開くか、ノードメニューの partner/audio/Fish Audio カテゴリから Fish Audio ノードを追加します
3. 表示されたら ComfyUI アカウントにサインインします
4. プロンプトガイドのインラインタグを使ってセリフを書きます
5. ワークフローを実行し、音声をプレビューまたは保存します