FishAudioTextToSpeech - ComfyUI Built-in Node Documentation - ComfyUI

此节点使用 Fish Audio 文本转语音模型将书面文本转换为语音音频。它支持嵌入文本中的提示音：[happy] 和 [whispering] 用于 s2.1-pro，(happy) 用于 s1，以及 drama-3 上的自然语言 [directions] 和 <whisper>...</whisper> 单词标签。当连接多个语音时，多说话人对话使用 @Voice1/@Voice2 标签。共有三个模型可用：drama-3 和 s2.1-pro 均支持最多五个语音和多说话人对话，而 s1 使用单个可选语音。

输入

通用输入

参数	描述	数据类型	必需	范围
`文本`	要转换为语音的文本。当连接两个或更多语音时，使用 @Voice1、@Voice2 等标记说话人变化。（默认值：空）	STRING	是	任意非空文本
`模型`	用于文本转语音的模型。	DYNAMIC_COMBO	是	”drama-3" "s2.1-pro" "s1”
`种子`	种子控制节点是否应重新运行；无论种子如何，结果都是非确定性的。（默认值：42）	INT	是	0 到 2147483647

drama-3 和 s2.1-pro 输入

当选择 drama-3 或 s2.1-pro 模型时，会出现这些输入。参数集完全相同。

参数	描述	数据类型	必需	范围
`voices`	可增长的插槽：连接 0 到 5 个语音项（`voice_1`、`voice_2`、……）。用于合成的语音。留空则使用随机语音。当连接两个或更多语音时，在文本中使用 @Voice1、@Voice2 等标记说话人变化。	FISHAUDIO_VOICE	否	0 到 5 个语音
`temperature`	表现力。值越高变化越多，值越低越一致。（默认值：0.7）	FLOAT	是	0.0 到 1.0
`top_p`	通过核采样实现的多样性。（默认值：0.7）	FLOAT	是	0.01 到 1.0
`speed`	语速。1.0 为正常，<1.0 更慢，>1.0 更快。（默认值：1.0）	FLOAT	是	0.5 到 2.0
`volume`	以分贝为单位的音量调整。0 表示无变化。（默认值：0.0）	FLOAT	是	-10.0 到 10.0
`normalize`	对英文和中文的数字和文本进行归一化，提高数字和日期的稳定性。（默认值：true）	BOOLEAN	是	true / false

s1 输入

当选择 s1 模型时，会出现这些输入。

参数	描述	数据类型	必需	范围
`voice`	用于合成的语音。不连接则使用随机语音。	FISHAUDIO_VOICE	否	可选单个语音
`temperature`	表现力。值越高变化越多，值越低越一致。（默认值：0.7）	FLOAT	是	0.0 到 1.0
`top_p`	通过核采样实现的多样性。（默认值：0.7）	FLOAT	是	0.01 到 1.0
`speed`	语速。1.0 为正常，<1.0 更慢，>1.0 更快。（默认值：1.0）	FLOAT	是	0.5 到 2.0
`volume`	以分贝为单位的音量调整。0 表示无变化。（默认值：0.0）	FLOAT	是	-10.0 到 10.0
`normalize`	对英文和中文的数字和文本进行归一化，提高数字和日期的稳定性。（默认值：true）	BOOLEAN	是	true / false

注意： text 输入不能为空。说话人标签（@Voice1、@Voice2 等）不区分大小写，并且必须引用已连接的语音；标记未连接的语音会引发错误。当连接两个或更多语音时，文本必须至少引用每个已连接的语音一次，否则节点会报告缺失的标签。在 drama-3 和 s2.1-pro 上，连接 0 个语音使用随机语音，连接 1 个语音仅使用该语音，连接 2 个或更多语音则启用多说话人对话。在 s1 上，使用单个可选语音，不连接则使用随机语音。提示音可以放置在文本中：[happy] 和 [whispering] 用于 s2.1-pro，(happy) 用于 s1，以及自然语言 [directions] 和 <whisper>...</whisper> 单词标签用于 drama-3。

输出

输出名称	描述	数据类型
`audio`	生成的语音，作为音频文件。	AUDIO

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！在 GitHub 上编辑

Source fingerprint (SHA-256): adcfe8f994b8fbe07efb3dd3f86c8955ea3cec62cc3f0321efd2b63c0470b7a3