基于网易有道 Confucius4-R2T2 的 Windows / NVIDIA CUDA 语音转文字节点。使用官方 GGUF Q8 主模型 + Q8 音频 projector；推理运行在独立的 Python 3.12 worker 中，不向现有 ComfyUI Python 安装上游 vLLM 依赖。

支持文件离线转写、文件流式转写、浏览器麦克风实时字幕和保存转写。长音频分段使用 FireRedVAD ONNX。模型文件及许可说明见 Hugging Face 模型仓库。

安装

将本仓库克隆到 ComfyUI/custom_nodes/comfyui-confucius-r2t2-t8。已接入 Comfy Registry 发布流程；Manager 搜索安装需要官方版本审核通过。
安装 Python 3.12、Git、CMake、Visual Studio 2022 C++ 构建工具和 CUDA Toolkit 12.8。在节点目录打开 PowerShell，运行：
```
.\scripts\setup_worker_windows.ps1
```
重启 ComfyUI。首次设置会下载并校验约 2.19 GB 的 Q8 模型文件，并从固定版本的 llama.cpp 构建 CUDA 扩展；需要预留编译时间。默认编译目标为 RTX 50 系列（CUDA 架构 120）。其他 NVIDIA GPU 请先运行 setup_worker_windows.ps1 -SkipNativeBuild，再运行 build_native_windows.ps1 -CudaArch <架构>。

安装脚本将 worker 与模型放在节点目录下的 .runtime/、models/，两者均被 Git 忽略。手动接入已有 ComfyUI 源码目录可执行 scripts/install_comfy_windows.ps1 -ComfyDir 'C:\path\to\ComfyUI'。

预编译组件（0.1.8）：worker 也可使用 .runtime/worker/python.exe，优先选择原有 Scripts/python.exe；R2T2_WORKER_PYTHON 可指定解释器。预编译原生布局使用 .runtime/build-native-cu128/lib/ 存放匹配的运行库、backends/ 仅存放 ggml 后端插件、python/ 存放唯一的 qwen3asr_native*.pyd。成功注册的插件只加载一次；组件自行提供的 CUDA DLL 无需依赖本机 Toolkit 目录。须使用相互匹配的 Python 3.12 ABI、运行库及 GPU 架构。本仓库仍提供源码构建脚本，未新增可分发的独立整合包。

使用

将文件工作流 拖入 ComfyUI 前端画布，在 Load Audio 重新选择自己的音频，点击运行。将麦克风工作流拖入画布后，在 Live 节点点击 Start microphone，授权麦克风；点击 Stop and finalize 后，再点击运行保存最终文字。浏览器麦克风需要 localhost 或 HTTPS。

节点包括 Confucius4 Q8 Loader、Confucius4 Transcribe、Confucius4 Hotwords、Confucius4 Live Microphone、Confucius4 Save Transcript、Confucius4 Save Subtitle 和 Confucius4 Unload Q8。单次文件输入仅支持一段音频（batch=1）。中文为主、夹少量英文的文件流式音频可尝试 Chinese 语言提示。

视频字幕 / SRT（0.1.7）

将字幕工作流拖入前端，选择音频或视频，点击运行。视频可放进 ComfyUI/input 后在 Load Audio 选择；读取第 1 条音轨，无需解码视频帧。

Transcribe 开启 subtitle_timings，短文件也会收集完整段文本与时间。新增 srt 输出；Live 结束后同样输出 SRT。原 text/language/result_json 输出顺序保持兼容。
Save Transcript 的 format 可选 txt/json/srt/vtt。Save Subtitle 额外提供中英文行宽、毫秒偏移、字幕文字/JSON/条数输出，以及前端预览与下载；文件保存在 ComfyUI/output。
时间来自 VAD/识别分段，属于近似字幕，需要校对；没有字/词对齐。长句只换行并提示过长，不按平均时间制造逐句时标。视频有音轨延迟或截取偏移时，可用 offset_ms 校正。
旧 JSON 缺少段文字或时间会要求重跑；whole_audio_draft 是显式的整段粗字幕回退。截断结果须开启 allow_partial，静音不生成空字幕文件。不同偏移/内容生成不同文件，不覆盖已有字幕。

0.1.7 修复热词粘贴中的前导 BOM，避免隐藏词和重复计数；采样率及文件请求参数会严格校验。重采样后为空的极短音频会明确报错。精确全零的文件音频直接返回空转录（mode_executed=digital_silence），保留时长并跳过解码；低音量非零音频仍会识别。

0.1.6 修复实时会话的旧文字残留、重复启动和取消流程，工作流不再保存临时录音控件。模型卸载每次运行都会执行；worker 连接中断会进入恢复流程。字幕迁移兼容 srt/json 文件名前缀。更新后重启 ComfyUI 并刷新前端；若旧文件的 format 已丢失，请重新导入示例并设置参数。

0.1.4 修复导出缓存、错误提示和特殊字符：重新运行会检查并恢复已移走的输出文件，上游识别可复用缓存；后续节点失败不会清空本次已成功保存的字幕。Windows 保存不再依赖硬链接。辅助 SRT 无法生成时，仍保留识别文字与 JSON，并在 JSON 中报告 subtitle_export_error；显式字幕保存仍严格校验。SRT 保留普通 & 符号；<...> 可能被播放器解释为格式标签，VTT 使用标准字符引用。

也可离线转换已保存的、有段文本和时间的 JSON：

python scripts/json_to_subtitle.py transcript.json --format srt --offset-ms 0

字/词精确对齐、音轨选择节点和字幕烧录属于后续功能；各剪辑软件的字幕导入兼容性尚未逐一验证。已在 ComfyUI 前端验证短 MP4 与 120 秒重复语音 MP4 的导出、预览、下载、时间偏移及旧工作流兼容性。

批量热词（0.1.2）：

直接在 Transcribe 的 hotwords 粘贴整份词表，用换行、逗号、分号或顿号分隔；保留英文词组中的空格。
使用共享热词工作流，集中修改 Confucius4 Hotwords 的 words，输出可连接多个 Transcribe 节点。
可选 hotword_file 读取 ComfyUI/input 下的 UTF-8 TXT 相对路径，例如 r2t2_hotwords/brands.txt。文件与粘贴内容合并去重，编辑文件后下次运行自动读取新内容。

TXT 文件上限 64 KiB；热词与 context 合计上限 8192 字符（含提示标签），并需留足模型的 token 上下文。热词用于辅助识别，不是强制纠错；优先放相关人名、品牌和术语。麦克风热词写入 Live 的 context（如 Hotwords: 品牌甲, 品牌乙），开始新会话后生效。

从 0.1.1 起，offline 模式处理超过 30 秒的文件时，会用 VAD 分段并对每段做一次完整离线识别，每段最多 20 秒；结果中的 mode_executed 为 segmented_offline。此前版本会改走流式解码，长文件的重复计算和字幕事件较多。n_ctx 是单段推理的上下文大小，增大它不会取消分段，也不决定文件能处理多少分钟。文件传输上限为 512 MiB 的原始 float32 PCM，实际可用时长取决于采样率和声道数；stream_chunk_ms 只影响流式模式。

本机 Windows / RTX 5090 Laptop / CUDA 12.8 已通过官方 Q8 文件的离线与流式推理、真实 ComfyUI 前端拖入工作流并点击运行，以及注入音频的 Live Start/Stop 前端流程。物理麦克风、自然连续长语音的质量及所有 GPU 架构尚未全面验收；强制分段结果会标记 requires_review。默认不保存原始音频。

许可与来源

节点代码按 Apache 2.0 发布；原生适配代码来源与修改见 NOTICE。GGUF 模型及 projector 属网易有道，受其 Model Use License Agreement 约束；FireRedVAD 资产受 Apache 2.0 约束。使用或再分发模型时请阅读相应许可。本项目与模型原作者无官方隶属关系。

Confucius4-R2T2 Q8 ASR

Nodes (7)

Confucius4-R2T2 Q8 for ComfyUI

安装

使用

视频字幕 / SRT（0.1.7）

许可与来源

更多链接