企业官网建设流程全解析

• 人工智能
• AI 应用
• 语音
• 音频
• 媒体生成

TTS-Audio-Suite 是一款 ComfyUI 本地多引擎语音合成（TTS）扩展，内置的Voice Designer 语音设计师节点让你无需任何参考音频，只用一句话描述——比如"温暖自信的女声，语速自然"——就能用 Qwen3-TTS、MOSS-TTS 或 OmniVoice 引擎生成一个可复用的自定义声音，并保存为角色随时调用。本指南带你从零上手这套"文本造音"工作流。

什么是 Voice Designer 文本造音？

传统 TTS 克隆需要一段"参考音频"，而 TTS-Audio-Suite 的语音设计师走的是另一条路线：reference-free（无参考音频）声音设计。你提供两样东西：

• voice_instruction（声音指令）：一句话描述声音特质——年龄、性别、音高、音色、口音、语速、情绪和说话风格
• reference_text（朗读文本）：由新生成的声音朗读的一段纯文本，用于试听和后续复用

运行后，节点会输出三段结果：opt_narrator（标准角色声音数据）、preview_audio（试听音频）和voice_info（生成信息）。这套机制的核心实现在 utils/voice/designers.py，节点定义见 nodes/shared/unified_voice_designer_node.py。

三大造音引擎怎么选？

TTS-Audio-Suite 目前由三个引擎支持 Voice Design 能力，一个节点通吃：

💡 选择建议：中文/多语言内容首选 Qwen3-TTS；想要小模型快速实验选 MOSS；语种覆盖广、需要结构化标签选 OmniVoice。

三个引擎的分工很清晰：节点负责"声音描述"，引擎负责模型、语言和生成参数。当你在引擎里选好 VoiceDesign 模型后，引擎自身原本的声音指令栏会自动禁用（因为它会生效不到），避免混淆。

准备工作：获取模型

TTS-Audio-Suite 的引擎节点内置了按需下载能力——第一次运行到某个模型时会提示自动下载，无需手动搬运文件。模型的完整来源清单见 docs/MODEL_DOWNLOAD_SOURCES.md，存放目录规范见 docs/MODEL_LAYOUTS.md。


如果下载受阻，可以直接把官方权重放入models/TTS/对应目录，节点模型下拉框会以local:前缀列出已安装的本地检查点。

快速上手：语音设计师 4 步工作流

项目自带一条开箱即用的示例工作流，同时串联了 Qwen3-TTS、MOSS-TTS、OmniVoice 三个引擎：

• 工作流文件：example_workflows/Unified 🎨 Voice Designer.json
• 封面图：example_workflows/Unified 🎨 Voice Designer.jpg

在 ComfyUI 中加载后，只需 4 步：

1. 配置引擎节点：三选一——Qwen3-TTS Engine 选Voice Design - 1.7B VoiceDesign；MOSS-TTS Engine 选Voice Design 1.7B；OmniVoice Engine 将模式切到Voice Design
2. 填写声音指令：在 🎨 Voice Designer 节点的voice_instruction里写下你对理想声音的描述
3. 设置朗读文本：reference_text建议 10 秒以上、带有起伏和问句的文本（至少 10 个字符），这样新声音的性格更容易被评估和复用
4. 运行并试听：preview_audio连到 PreviewAudio 节点即可试听；满意后把opt_narrator接给 💾 Save Character Voice 保存

选错模式不会静默失败——引擎会直接报出修正提示，例如"请在 Qwen3-TTS Engine 中选择 'Voice Design - 1.7B VoiceDesign' 后重新运行"。

如何写好"一句话声音描述"？

voice_instruction是造音质量的关键。它不是咒语，而是结构化的声音画像。写得好的描述通常覆盖这几个维度：

• 年龄与性别：如 "young adult female"、"中年男性"
• 音高与音色：如 "low pitch"、"warm texture"、"bright and energetic"
• 语速与表达：如 "natural pacing"、"clear articulation"、"calm"
• 口音/方言：如 "British accent"、"四川话"
• 情绪基调：如 "confident"、"subtle expressive smile"、"whisper"

节点的默认示例是："A warm, confident adult voice with natural pacing, clear articulation, and a subtle expressive smile."（温暖自信的声音，语速自然、吐字清晰，带一点会心的笑意。）

OmniVoice 用户：用 📐 Visual Tag Builder 拼标签

如果你偏好结构化而非自由文本，OmniVoice 配套的📐 Visual Tag Builder节点可以按"性别 → 年龄 → 音高 → 风格 → 口音 → 方言"的规范顺序自动拼装指令串，支持中文方言选项（如河南话、陕西话）。节点实现见 nodes/omnivoice/omnivoice_instruction_builder_node.py。MOSS 的整段 instruction/quality/sound_event 等 prompt 字段写法则可参考 docs/MOSS_TTS_PROMPT_FIELDS_GUIDE.md。

保存与复用：把设计的声音变成角色

试听满意后，把opt_narrator连到💾 Save Character Voice节点，填写角色名（如narrator_alice），即可持久化。保存逻辑在 utils/voice/character_saver.py，会在models/voices/下写入三件套：

• 名字.wav— 设计出的参考音频
• 名字.reference.txt— 精确的朗读文本
• 名字.txt— 元数据（含声音指令、引擎、模型信息）

之后在 🎭 Character Voices 节点选择这个角色，配合任意支持克隆的引擎（或同一造音引擎）用[narrator_alice] Hello!这样的角色标签就能复用。另外，seed设为固定非零值可以生成可复现的声音设计——同样的指令、文本和种子会安全地复用已保存的角色，而不是重复写盘。

常见问题 FAQ

Q：为什么报错说"cannot design voices"？引擎没选对模式。Qwen3 要选 VoiceDesign 检查点、MOSS 要选 VoiceGenerator、OmniVoice 要切 Voice Design 模式，见上文 4 步工作流第 1 步。

Q：生成的声音和描述不太像？提高种子重试几次；把描述写得更具体（加上年龄、音高、语速）；确认引擎语言设置与文本一致。

Q：reference_text 写多长？建议约 10 秒以上、语气有变化（包含疑问句、停顿感）的文本，太短会让音色特征不充分。

Q：造音结果能用于 SRT 字幕工作流吗？可以。保存为角色后，opt_narrator是标准NARRATOR_VOICE格式，可接入套件内 TTS Text / SRT 等全部下游节点。

小结

TTS-Audio-Suite 的语音设计师把"造一个声音"从"找素材、录参考"变成了"写一句话"：选引擎模型 → 描述理想声音 → 试听 → 存为角色。配合 Qwen3-TTS、MOSS 和 OmniVoice 三引擎，无论中文播客、多语言配音还是风格化角色音，都能在本地 ComfyUI 里快速完成。

• 人工智能
• AI 应用
• 语音
• 音频
• 媒体生成