Stable Audio 1.0：ComfyUI 文生音频工作流

在 ComfyUI 中使用 Stability AI 的 Stable Audio 1.0 从文本提示生成音频片段，模型以 checkpoint 形式加载并搭配 t5-base 文本编码器。

[!TIP] > [tab] 本地用户 > > 请确保你的 ComfyUI 已经更新。 > > ComfyUI 下载 > ComfyUI 更新教程 > > 本指南里的工作流可以在工作流模板中找到。如果找不到，可能是 ComfyUI 没有更新。 > > 如果加载工作流时有节点缺失，可能原因有： > > 1. 你用的不是最新版（每夜版）。 > 2. 启动时有些节点导入失败。 > [tab] 云端用户 > > * Cloud 会在 ComfyUI 稳定版本发布后更新。 > > 所以，如果你发现本文档中有任何核心节点缺失，可能是因为新核心节点尚未在最新稳定版中发布。请等待下一个稳定版发布。

Stable Audio 1.0 是Stability AI推出的首个开源音频生成模型。它接收文本提示并生成音频片段。在ComfyUI中，其工作方式类似于标准文生音频管线：CLIP对提示进行编码，K采样器对Latent进行去噪，VAE将其解码为音频。

相关链接：

• Hugging Face (stabilityai/stable-audio-open-1.0)

工作流

Stable Audio 1.0：文本转音频

使用 Stable Audio 根据文本提示生成音频。

[card] 在 Comfy Cloud 上运行 在 Comfy Cloud 中打开

[card] 下载工作流 下载 JSON 或在模板库中搜索 "Stable Audio 1.0：文本转音频"

该工作流使用标准 ComfyUI 节点：无需自定义节点。它加载 Stable Audio 1.0 checkpoint，通过 CLIP 文本编码器（t5-base）编码你的提示，使用 K采样器对 Latent 音频进行 denoise，并通过模型的 VAE 将其解码为音频。

使用方法：

1. 加载 checkpoint：CheckpointLoaderSimple 节点使用 stable-audio-open-1.0.safetensors
2. 编写提示：在 CLIPTextEncode 节点中输入你的描述（例如 "heaven church electronic dance music"）
3. 设置时长：调整 EmptyLatentAudio 节点的长度值（默认 47.6 秒）
4. 点击运行（Ctrl/Cmd + Enter）生成音频。音频将保存到 ComfyUI/output/audio/

模型下载

加载工作流时，ComfyUI 会提供所有缺失模型的下载链接。若要手动设置，请下载以下文件并放入正确的文件夹。

模型

[card] stable-audio-open-1.0.safetensors 2.3GB。放入 models/checkpoints/ 目录下。

将模型放入：

📂 ComfyUI/
├── 📂 models/
│   └── 📂 checkpoints/
│       └── stable-audio-open-1.0.safetensors

文本编码器

[card] t5-base.safetensors 用于提示词条件的文本编码器。放入 models/text\_encoders/ 目录下。

将文本编码器放入：

📂 ComfyUI/
├── 📂 models/
│   └── 📂 text_encoders/
│       └── t5-base.safetensors

放置文件后，在 ComfyUI 中按 R 键刷新节点并加载最新模型。