工作流
来自 Comfy-Org 官方模板库，共 49 个，每个都能直接导入 ComfyUI。
Eleven v4：文本转语音
使用注重质量的 ElevenLabs 模型 Eleven v4，从文本生成富有表现力的语音。通过在脚本中写入 [whispers] 或 [excited] 等音频标签来指导表演，或上传语音样本以克隆声音并用其朗读脚本。输出一个音频文件。非常适合有声书、旁白和角色配音。
MiniMax Music 3：文本生成音乐
使用MiniMax Music 3从文本提示创建完整长度的歌曲，生成完整的5分钟曲目，具有稳定的结构和高质量的音频。输入描述歌词、风格、情绪和编排的结构化标题，即可获得一首已完成的歌曲作为输出。非常适合音乐制作人制作演示原型，以及需要原始背景音乐的内容创作者。
Fish Audio：语音克隆转语音
从短录音中克隆任何声音，然后用它通过Fish Audio朗读任何脚本。录制2-3段15-20秒的片段，将它们连接到实时语音克隆节点，克隆的声音直接输入文本转语音，无需等待训练。添加情感标签来控制克隆声音如何传递每一行。非常适合个性化旁白、角色声音以及用您自己的声音制作的内容。
Mirelo SFX 2.0：视频生成音效
用 Mirelo sfx-2.0 给片段配上与画面锁定的音效：模型会看画面，把拟音对准屏幕上的动作，默认保留人声，输出音效轨、人声轨和带新混音的视频。
Fish Audio Drama 3: 定向表演
通过文本直接指导单次 Fish Audio Drama 3 表演：用[通俗语言指令]在台词中途切换表达方式，并用 <whisper>...</whisper> 标签包裹词语。
Stable Audio 3.0 Medium
输入一个简短的文本创意、可选的持续时间、种子和类别。使用Stable Audio 3生成立体声音频（音乐、音效或乐器），并带有可选的AI驱动文本扩展。
ACE-Step 1.5XL Turbo：文本转音乐
使用蒸馏的4B ACE-Step模型，从文本提示生成高质量音乐。仅需8次推理步骤即可生成商业级音频，无需CFG。
ElevenLabs：文生音效
输入文本提示词以生成自定义声音效果和环境音频。
HeyGen Voice 1.0：语音克隆转语音
使用 HeyGen Voice 1.0 从一段简短录音中克隆声音，然后用该声音朗读任意脚本。将一段音频片段连接到 Instant Clone，生成的 voice_id 会直接输入到文本转语音中，无需等待训练。使用表现力控制来贴近原始录音，或为表达注入更多情感。非常适合用自己的声音进行旁白、角色对话和多语言配音。
Mirelo SFX 2.0：文本生成音效
用 Mirelo sfx-2.0 从文本生成音效：用一句话写清声音本身、材质、空间与力度，输出 48 kHz 单声道音频，最长 10 分钟。
Stable Audio 3.0 Medium Base
输入一段关于声音、音乐或效果的简短文本描述。该工作流使用Qwen千问扩展您的提示词，并从Stable Audio 3生成一段立体声音频CLIP。
ElevenLabs：文生语音
输入文本以生成超逼真语音，或上传语音样本以克隆用于合成。
Fish Audio：文本转语音
使用Fish Audio S2 Pro从文本生成自然、富有表现力的语音，这是一款支持80多种语言的文本转语音模型，可通过[whisper]或[excited]等内联标签精细控制情感、语调和节奏。输入文本即可获得一个高质量的音频输出，并可将可选风格标签直接编织到脚本中。非常适合配音制作、多语言内容创作以及游戏或动画中的角色对话。
ACE-Step 1.5 音乐生成 AIO
输入风格标签和歌词以生成一首完整的歌曲。该工作流使用ACE-Step 1.5模型，在消费级硬件上不到10秒即可生成商业级音乐。
Chatter Box：使用TTS进行语音克隆
上传一段简短语音片段并输入文本，以克隆的声音生成新的语音。
Chatter Box：支持语音克隆的多语言文本转语音
上传一段简短的声音样本并输入您的文本提示词。选择目标语言，使用克隆的参考声音生成多种语言的语音音频。
种子音频 1.0：文生音频
输入文本提示词以生成语音、对话、背景音乐和声音效果，并合并到一个音频文件中。描述声音、情感和场景详情，以创建最多2分钟的多说话人音频。
Sonilo Music 1.5：歌词转歌曲
用 Sonilo Music 1.5 把你自己的文字变成一首完整的歌曲：描述风格和场景，然后添加一个 Lyrics: 块，包含 [Verse] 和 [Chorus] 标签，模型会在完整配乐上演唱。自动长度跟随歌词，或者你自己设置时长。
Sonilo：文生音乐
根据文本提示生成高质量、可用于制作的音乐，输入描述性文字即可创建原创配乐，支持流媒体播放与精确时长控制。
种子音频 1.0：文本+音频转音频
上传一个参考音频CLIP并编写文本提示词，将声音克隆到新场景中。使用最多3个参考声音生成对话、背景音乐和音效。
Sonilo：视频配乐生成
从视频素材生成同步配乐。输入视频以制作与其节奏和情感线索相匹配的音乐，输出完美定时的音频文件。
ACE-Step 1.5 音乐生成工作流
输入一个描述音乐风格和可选歌词的文本提示词。在消费级硬件上，不到10秒即可生成一首完整、高质量的音频歌曲。
HeyGen Voice 1.0 Turbo：语音克隆转语音
使用 HeyGen Voice 1.0 Turbo 从一段简短录音中克隆声音，然后用该声音朗读任意脚本。它与 Voice 1.0 使用相同的即时克隆流程，只是走 turbo 模型，合成速度更快，适合快速试稿与反复迭代。将一段音频片段连接到 Instant Clone，生成的 voice_id 会直接输入文本转语音，同时 SaveText 会把该 ID 保存到磁盘，方便下次会话复用。非常适合用自己的声音做旁白、角色对话和多语言配音。
MelBandRoFormer音频分离
加载音频文件并使用MelBandRoFormer模型将其分离为人声和伴奏音轨。输出两个MP3文件，分别包含独立人声和背景音乐。