Ming-tts ComfyUI工作流实战:4步实现从文本到自然语音的高质量输出
Ming-tts ComfyUI工作流实战:4步实现从文本到自然语音的高质量输出
Ming-tts 是面向开源文本转语音(TTS)模型 Ming-3.0-TTS 的 ComfyUI 适配版模型文件仓库,提供 int8 量化(convrot)后的模型权重,放入 ComfyUI 后即可搭建"输入文本 → 输出自然中文语音"的完整合成工作流。本文用 4 个步骤,帮助新手快速上手这套中文语音合成方案。🎙️
一、认识 Ming-tts:ComfyUI 专用的 TTS 模型文件
Ming-tts 仓库本身不是完整的软件,而是为 ComfyUI 重新打包(Repackage)的模型文件,其底层模型来自开源项目 Ming-3.0-TTS(tiny 版本),采用 MIT 许可证,可免费用于学习与创作。
仓库结构非常简洁:
| 文件/目录 | 说明 |
|---|---|
| checkpoints/ming_tts_tiny_int8_convrot.safetensors | TTS 模型权重文件(约 9 GB) |
| README.md | 模型说明与放置路径指引 |
💡 为什么是 int8 + convrot?
- int8 量化:将模型权重从高精度压缩到 8 位存储,显著降低显存/内存占用,合成速度更快;
- convrot(卷积旋转):针对卷积层的一类量化优化方法,能在压缩的同时尽量保持语音质量,让输出更接近原始模型的听感。
对于显存有限的电脑来说,这套量化版模型正是"低配硬件也能跑 TTS"的关键。
二、模型文件下载与放置路径(最快配置方法)
1. 获取模型文件
克隆仓库即可拿到模型文件。由于权重文件通过 Git LFS 管理(约 9 GB),必须先安装 git-lfs,否则下载到的只是指针文件:
git lfs install
git clone https://gitcode.com/hf_mirrors/Comfy-Org/Ming-tts
2. 放入 ComfyUI 指定目录
按照 README.md 的指引,将 ming_tts_tiny_int8_convrot.safetensors 放入 ComfyUI 的 models/checkpoints/ 目录:
📂 ComfyUI/
└── 📂 models/
└── 📂 checkpoints/
└── ming_tts_tiny_int8_convrot.safetensors
⚠️ 新手常见坑:下载完成后文件只有几 KB?说明 LFS 没有生效,请执行
git lfs install后重新拉取。
三、搭建 ComfyUI 文本转语音工作流(4 个节点)
在 ComfyUI 中打开或新建一个工作流,文本转语音的核心链路只需要 4 类节点:
| 步骤 | 节点 | 作用 |
|---|---|---|
| ① | 加载 Checkpoint 节点 | 从下拉列表选择 ming_tts_tiny_int8_convrot.safetensors |
| ② | 文本输入节点 | 输入要合成的中文语句 |
| ③ | TTS 合成节点 | 连接模型与文本,执行语音生成 |
| ④ | 音频输出节点 | 播放并保存生成的音频文件 |
接线逻辑一目了然:模型输出 → 合成节点 → 音频输出,文本框 → 合成节点。如果加载节点的下拉列表里看不到模型,请回到第二步检查文件是否放在了 models/checkpoints/ 目录,并刷新 ComfyUI 页面。
四、生成语音与质量调优
- 试跑第一条音频:输入一句中文短句(如"你好,我是 Ming 语音合成。"),点击 Queue Prompt 开始生成;
- 试听并保存:ComfyUI 的音频输出节点支持在线试听,满意后直接保存为音频文件;
- 批量合成:修改文本框内容反复生成,即可快速产出有声内容。
常见问题排查(FAQ)
| 问题 | 可能原因与解决办法 |
|---|---|
| 模型下拉列表为空 | 文件路径错误,确认位于 models/checkpoints/ 并刷新页面 |
| 生成速度偏慢 | 属正常现象(语音合成较耗时);量化版已优于全精度模型 |
| 内存/显存不足 | int8 convrot 版本已大幅压缩资源需求,可尝试减少并发任务 |
适用场景
- 🎧 播客、有声书、课程配音的批量生产
- 📱 短视频口播稿快速试听
- 🤖 给 ComfyUI 工作流中的其他环节添加"语音旁白"能力
相关文件资料
- 模型使用说明:README.md
- 模型权重文件:checkpoints/ming_tts_tiny_int8_convrot.safetensors
掌握以上 4 步,你就拥有了在 ComfyUI 中运行 Ming-3.0-TTS 的完整能力:下载模型 → 放对目录 → 连好 4 个节点 → 生成并调优,从文本到自然语音只需几分钟。