Nodo personalizado nativo de ComfyUI que integra los modelos de generación de voz Ming-3.0-tts (0.5B y Tiny 9B) en los flujos de trabajo de ComfyUI.
ComfyUI-Ming-3-tts es una adaptación nativa a ComfyUI de los modelos de texto a voz Ming-3.0-tts, que incluye las variantes 0.5B y Tiny 9B. Añade nodos para cargar un modelo, generar voz, crear podcasts con varios hablantes usando el modelo Tiny y transcribir audio de referencia con Whisper en local. Así, la generación de voz puede combinarse con los nodos habituales de ComfyUI para previsualizar y guardar audio.
El nodo de generación admite varias tareas que se seleccionan en cada ejecución: clonar una voz a partir de una grabación de referencia y su transcripción, diseñar una voz a partir de una descripción de texto, usar voces integradas con nombre, añadir instrucciones de interpretación libres, controlar parámetros básicos de velocidad, tono y volumen, generar emociones y usar los dialectos cantonés o sichuanés. Se pueden incluir etiquetas vocales en el texto, como [Laughter] y [Sigh]. El audio de salida es mono a 44,1 kHz.
Los modelos se descargan desde un repositorio de Hugging Face en formato original o INT8 ConvRot, o se cargan desde carpetas locales existentes y rutas adicionales para modelos. El proyecto incluye flujos de trabajo de ejemplo para cada tarea y admite CUDA, aunque también se puede ejecutar en CPU.
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
VoxCPM2 es un modelo de texto a voz de código abierto y sin tokenizador que admite 30 idiomas, diseño de voz a partir de descripciones de texto y clonación de voz a partir de clips de referencia cortos.
Sistema open source de texto a voz con clonación de voz, control de emociones en lenguaje natural y generación multivoz, basado en modelos de tipo LLM.
Familia de modelos de texto a voz de código abierto de Resemble AI, con clonación de voz a partir de un breve clip de referencia en inglés y muchos otros idiomas.
Biblioteca de texto a voz de código abierto cuyo modelo KittenTTS 2 clona voces a partir de 5 segundos de audio y funciona en tiempo real en CPU.
Modelo TTS ligero basado en ZipVoice para clonar voces y generar audio a 48 kHz, con una velocidad de más de 150 veces el tiempo real en GPU.
Herramienta de código abierto para traducir videos a otros idiomas mediante reconocimiento de voz, traducción de subtítulos, doblaje con IA y síntesis de audio y video.