Um custom node nativo do ComfyUI que integra os modelos de geração de fala Ming-3.0-tts (0.5B e Tiny 9B) aos workflows do ComfyUI.
ComfyUI-Ming-3-tts é uma adaptação nativa para ComfyUI dos modelos de texto para fala Ming-3.0-tts, abrangendo as variantes 0.5B e Tiny 9B. O projeto adiciona nodes para carregar um modelo, gerar fala, criar podcasts com vários falantes usando o modelo Tiny e transcrever áudio de referência com o Whisper localmente. Assim, é possível combinar a geração de fala com os nodes padrão do ComfyUI para pré-visualizar e salvar áudio.
O node de geração oferece várias tarefas que podem ser selecionadas a cada execução: clonagem de voz a partir de uma gravação de referência e sua transcrição, criação de voz com base em uma descrição de texto, vozes integradas identificadas por nome, instruções livres de interpretação, controle básico de velocidade, tom e volume, emoção e os dialetos cantonês ou sichuanês. É possível inserir no texto tags vocais como [Laughter] e [Sigh]. As saídas são em áudio mono de 44,1 kHz.
Os modelos podem ser baixados de um repositório do Hugging Face nos formatos original ou INT8 ConvRot, ou carregados de pastas locais existentes e de caminhos extras para modelos. O projeto inclui workflows de exemplo que abrangem cada tarefa e oferece suporte a CUDA, com execução por CPU também disponível.
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
O VoxCPM2 é um modelo open source de texto para fala, sem tokenizer, que oferece suporte a 30 idiomas, criação de vozes a partir de descrições textuais e clonagem de voz com clipes de referência curtos.
Sistema open source de text-to-speech com clonagem de voz, controle de emoção em linguagem natural e geração com vários falantes, baseado em modelos no estilo LLM.
Família de modelos open source de text-to-speech da Resemble AI, com clonagem de voz a partir de um trecho curto de referência em inglês e vários outros idiomas.
Biblioteca open source de text-to-speech cujo modelo KittenTTS 2 clona vozes com 5 segundos de áudio e funciona em tempo real na CPU.
Modelo de TTS leve baseado no ZipVoice para clonagem de voz e geração de fala a 48 kHz, com velocidade superior a 150x em tempo real na GPU.
Ferramenta de código aberto que traduz vídeos para outros idiomas, com reconhecimento de fala, tradução de legendas, dublagem com IA e síntese de áudio e vídeo.