IndexTTS 2.5 模型加载器 · T8star-Aix
- 扫描标准模型目录和 extra_model_paths.yaml 中的 TTS 路径
- 正式模型文件大小校验；可选完整 SHA-256 校验
- auto / CUDA / CPU 设备和 auto / bfloat16 / float32 精度
- 全局惰性缓存、同模型线程锁、可选生成后释放
IndexTTS 2.5 情感控制 · T8star-Aix
- 跟随音色参考
- 独立情感参考音频
- 八维情感向量（高兴、愤怒、悲伤、恐惧、厌恶、低落、惊讶、自然）
- 文本情感描述；Qwen 情感模型按需加载到同一推理设备
IndexTTS 2.5 采样设置 · T8star-Aix
- 稳定默认值、随机采样、beam、temperature、top-p/top-k
- CFM 扩散步数、引导强度和噪声温度；默认保持官方 25 / 0.7 / 1.0
- 按语言自动分段（EN/ES 60、AR 80、JA 100、ZH 120 Token）或手动上限
- 标点停顿预设、自定义毫秒数、显式 <pause=0.5>、段间停顿与文本归一化
IndexTTS 2.5 分段与停顿预览 · T8star-Aix
- 不加载神经网络权重，只读取正式模型 Token 词表
- 输出每段 Token 数、语音块、段后停顿和 GPT 加速风险；文本可直接透传给生成节点
IndexTTS 2.5 发音控制 · T8star-Aix
- 官方 <文字|读音> 标注格式
- 中文数字声调拼音、英文 CMU 音素、日语假名校验
- 工作流内嵌发音词典、长词优先、手工标注优先
- 输出处理后文本和完整替换/校验报告，不修改模型全局状态
IndexTTS 2.5 语音生成 · T8star-Aix
- 标准 ComfyUI AUDIO 输入/输出
- 中、英、日、西、阿五种语言入口
- 音色克隆、seed、官方 duration_factor=0.5~2.0 语速/时长适配
- 目标秒数支持原生长度调节器单次适配，以及自然二次适配、补静音、强制精确兼容模式
- 可选人声清晰、清晰旁白、去刺耳、温暖、峰值归一化后处理
IndexTTS 2.5 角色音色 · T8star-Aix
- 将角色名、标准 AUDIO、默认语言和可选情感封装成工作流内音色
IndexTTS 2.5 角色音色 / 情感合并 · T8star-Aix
- 自动增长输入，可汇总 1–16 个角色各自的音色与独立情感；重复角色名会在排队前报错
IndexTTS 2.5 Merge Voice Emotions · T8star-Aix
- 对应社区常用的 Merge Voice Emotions 搜索名称，输出与“角色音色 / 情感合并”完全一致
- 合并的是角色配置列表，不会把多个角色的八维情感数值混成一个新情绪
IndexTTS 2.5 批量台词 / SRT · T8star-Aix

解析 角色|台词|语言|时长系数、JSON 数组和标准 SRT
SRT 支持 [角色] 台词 与 角色：台词，输出结构化预览
台词输入关闭 ComfyUI 动态提示词解析，JSON 大括号不会在排队时被改写

IndexTTS 2.5 多角色 / SRT 生成 · T8star-Aix

逐句推理、逐句 AUDIO 列表、合并 AUDIO 和 JSON 报告
shift 顺延或 overlay 时间轴混音；字幕槽位默认使用原生单次适配，也可选择旧版二次推理兼容模式

IndexTTS 2.5 人声后处理 · T8star-Aix

独立处理任意 ComfyUI AUDIO，支持强度混合和目标峰值，不依赖 FFmpeg

IndexTTS 2.5 环境与可选加速 · T8star-Aix

不加载模型即可检查 BF16、CUDA 工具链、Triton、FlashAttention、DeepSpeed
只报告能力，不安装任何附加依赖

IndexTTS 2.5 时间轴编辑 · T8star-Aix

接收批量/SRT 脚本和可编辑 JSON，按毫秒修改逐句开始、结束、角色、语言与时长系数
输出严格校验后的脚本、结构化 JSON 和标准 IMAGE 彩色轨道预览

IndexTTS 2.5 ASR 自动校对 · T8star-Aix

使用可选的本地 OpenAI Whisper 或 faster-whisper 对 AUDIO 识别并与目标文本比较
输出简繁/数字归一化后的 CER/WER、差异明细、词级时间戳、阈值判定和完整 JSON 报告

IndexTTS 2.5 字幕自动回写 · T8star-Aix

可保留原 SRT 时间或使用生成音频真实时间轴
可写回原文、全部 ASR 识别结果或仅校对通过的识别结果

输出固定为 22050 Hz、float32、[1,1,T] 的标准 ComfyUI AUDIO，可直接连接 Save Audio、音频合并、视频等原生节点。

安装

发布到官方 Comfy Registry 后，可在 ComfyUI Manager 中搜索 IndexTTS 2.5 · T8star-Aix 或节点 ID indextts25-t8，点击安装并重启 ComfyUI。模型权重仍需按“模型位置”一节单独下载。

也可以手动安装：

将整个目录放入：

ComfyUI/custom_nodes/comfyui-indextts25-T8

也可以直接克隆：

cd ComfyUI/custom_nodes
git clone https://github.com/T8mars/comfyui-indextts25-t8.git comfyui-indextts25-T8

使用 ComfyUI 自己的 Python 安装依赖：

python -m pip install -r ComfyUI/custom_nodes/comfyui-indextts25-T8/requirements.txt

Windows 便携版通常应从 ComfyUI 目录执行：

..\python_embeded\python.exe -m pip install -r custom_nodes\comfyui-indextts25-T8\requirements.txt

requirements.txt 故意不包含 torch、torchaudio 和 torchvision，避免覆盖 ComfyUI 已安装的 CUDA/PyTorch 组合。若缺少 torchaudio，请安装与现有 torch 完全对应的版本，不要直接执行上游项目的完整 torch 锁定安装。基础依赖仅列出 ComfyUI 之外的必要运行项；除 transformers<5 的上游兼容边界外，不限制最高版本。

DeepSpeed、FlashAttention、Triton 和 BigVGAN CUDA 编译工具链均为可选加速，没有写入 requirements.txt。不安装它们时模型加载器和全部普通推理功能仍可使用。

ASR 自动校对也是可选功能。需要使用时，以 ComfyUI 自己的 Python 安装：

python -m pip install "openai-whisper>=20250625" "opencc-python-reimplemented>=0.1.7"

Windows 便携版：

..\python_embeded\python.exe -m pip install "openai-whisper>=20250625" "opencc-python-reimplemented>=0.1.7"

如需更快的 CTranslate2 后端，可安装 faster-whisper>=1.2.0 和 opencc-python-reimplemented>=0.1.7；也可在节点中明确选择后端。pyproject.toml 同时提供 asr / asr-fast 两组可选依赖供包管理器使用。首次校对会把所选 Whisper 模型下载到 ComfyUI/models/TTS/Whisper/。不安装 Whisper 时，已有的 IndexTTS 生成、时间轴编辑和原文字幕回写仍然正常使用。

当前固定核心已在 Windows、Python 3.10、PyTorch 2.8 环境验证。其他 ComfyUI Python 版本请先运行环境检查脚本；上游对新版本 Python 的兼容范围可能更窄。

依赖版本兼容

transformers 已实测兼容 4.52.1 和 4.57.6（后者对应 tokenizers 0.22.2）。依赖范围保持为 transformers>=4.52.1,<5；transformers 5.x 的生成与缓存 API 变化较大，目前不在支持范围内。

已经使用 transformers 4.57.6 的 ComfyUI 无需降级。需要显式升级到已验证组合时，请使用 ComfyUI 自己的 Python：

python -m pip install --upgrade "transformers==4.57.6" "tokenizers==0.22.2"

Windows 便携版：

..\python_embeded\python.exe -m pip install --upgrade "transformers==4.57.6" "tokenizers==0.22.2"

升级后重启 ComfyUI。不要单独安装 transformers 5.x，也不要因此重装 ComfyUI 的 PyTorch。

中文数字、日期等文本归一化依赖是可选项。在 Windows 上可额外安装 wetext；不安装或当前 Python 版本不兼容时，节点会自动使用原文本继续生成，建议把数字写成口语形式。该可选项不会影响 2.5 模型、语速适配或文本情感功能。

模型位置

权重不放在 custom node 目录，标准位置为：

ComfyUI/models/TTS/IndexTTS-2.5/

这是唯一例外：节点所需的代码、清单、脚本、许可证、示例和测试都在本目录；约 5GB 的模型权重遵循 ComfyUI 模型目录规范，可由多个工作流共享，避免复制。

如果把节点发给其他用户，发送整个 comfyui-indextts25-T8 目录即可；对方仍需按本节下载模型，或由你另行把完整的 IndexTTS-2.5 模型目录放到其 ComfyUI/models/TTS/。不要只发送单个 .py 文件。

在节点已放到 ComfyUI 后执行：

使用 ModelScope 前先安装可选下载依赖：

python -m pip install -r ComfyUI/custom_nodes/comfyui-indextts25-T8/requirements-modelscope.txt

python ComfyUI/custom_nodes/comfyui-indextts25-T8/scripts/download_models.py `
  --source modelscope `
  --accept-license

Hugging Face：

python ComfyUI/custom_nodes/comfyui-indextts25-T8/scripts/download_models.py `
  --source huggingface `
  --accept-license

节点未安装到 custom_nodes 时，显式指定 ComfyUI 根目录：

python scripts/download_models.py --comfy-root "D:\ComfyUI" --source modelscope --accept-license

下载器固定到清单中的正式模型版本，完成后执行全量 SHA-256 校验，并准备 Wav2Vec2-BERT、 MaskGCT、CAMPPlus 和 BigVGAN 辅助模型。下载结束后重启 ComfyUI，模型下拉框才会刷新。

快速使用

用 ComfyUI 原生 Load Audio 载入清晰、单人、无背景音乐的参考音频，建议 3–10 秒。
添加模型加载器并选择 IndexTTS-2.5。
添加语音生成节点，连接模型和参考音频，填写文本与语言。
需要多音字或专有词发音时，添加发音控制节点，将其文本输出连接到语音生成节点。
可选连接情感控制和采样设置；长文本建议先经过“分段与停顿预览”。
将生成 AUDIO 连接到 Save Audio，也可再连接独立“人声后处理”节点。

多角色、批量台词与 SRT

每个角色添加一个“角色音色”节点，连接对应的 Load Audio。
需要独立情感时，每个角色分别添加“情感控制”，连接到其“该角色默认情感”输入。
把这些角色连接到“角色音色 / 情感合并”；也可使用同功能的 Merge Voice Emotions 节点。
添加“批量台词 / SRT”节点并选择格式。
把模型、角色库、脚本连接到“多角色 / SRT 生成”。

情感控制A ──► 角色音色A ┐
参考音频A ──►            │
                         ├─► 角色音色/情感合并 ─► 多角色/SRT生成
情感控制B ──► 角色音色B │
参考音频B ──►            ┘

每条台词只会读取对应角色保存的情感，不会串到其他角色。完整可运行连接见 23_multi_role_emotions.json。这里的“合并”表示汇总多个角色配置；如果需要把“悲伤 60% + 愤怒 40%”混成同一个八维情绪，应直接在单个“情感控制”节点中设置这两个维度。

批量文本每行格式如下；语言和时长系数可省略：

角色A|你终于来了。|ZH|1.0
角色B|好，我们开始吧。|ZH|0.9

也支持 JSON：

[
  {"role": "角色A", "text": "第一句。", "language": "ZH", "duration_factor": 1.0},
  {"role": "角色B", "text": "Second line.", "language": "EN", "duration_factor": 0.9}
]

JSON 可直接粘贴或随示例工作流载入。v0.5.1 起该输入明确关闭 ComfyUI 的动态提示词解析；旧版把 JSON 大括号误当作动态提示词，可能在排队时出现 Expecting ',' delimiter。

SRT 示例：

1
00:00:00,500 --> 00:00:02,600
[角色A] 这是第一条字幕。

2
00:00:02,800 --> 00:00:05,000
角色B：这是第二条字幕。

shift 会把发生冲突的语音顺延，避免重叠；overlay 保留原始 SRT 起点并对重叠部分安全混音。 “适配字幕槽位”默认选择 native：直接向长度调节器分配目标帧数，一次推理完成，并在最后做采样点级收尾。连接外部旧版推理核心且没有 target_duration 时，节点会自动回退到原有的 duration_factor 二次推理方案，并在生成信息中说明。目标时长与自然语速差异过大时仍可能降低自然度。

自动分段、停顿与目标秒数

采样设置默认使用 auto 分段：英语和西班牙语按 60 Token、阿拉伯语按 80 Token、日语按 100 Token、中文按 120 Token。需要复现实验参数时可切换 custom。连接“分段与停顿预览”后， JSON 会列出模型输入前的 Token 分段，以及每段前后的外加静音。

停顿预设包括 off / natural / narration / dialogue / custom。无论选择哪个预设，都能在正文中写：

第一句结束。<pause=0.8>八百毫秒后继续。
也可以写成<pause=500ms>五百毫秒。

标点预设会把句子拆成独立语音块，因此比只调整“段间静音”更精确，但推理次数也会增加。 v0.8.1 已回移 GPT 合成提示 KV Cache 根修复；多个停顿语音块和长文本不再仅因该边界问题关闭 gpt_accel。采样参数语义不兼容时仍会自动使用普通 GPT 路径。

语音生成的“目标时长（秒）”提供五种模式：

off：只使用原始 duration_factor。
native：按文本权重把总秒数分配给长度调节器，一次推理完成；包含外加停顿，推荐优先测试。
natural：根据首轮实测时长自动计算 0.5–2.0 的新系数并再推理一次，不裁剪。
pad：自然适配后，不足补静音；超长语音完整保留并在报告中标记。
exact：自然适配后补静音或强制裁剪到精确采样点；裁剪可能切掉尾音，字幕硬槽位才建议使用。

内置后处理预设为 voice_clarity / clear_narration / deharsh / warm / normalize。生成节点可直接选择，也可以用独立“人声后处理”节点比较原音和处理音；off 时不会改变波形。

CFM 高级参数

采样设置的高级输入直接作用于声谱图 CFM 阶段：

diffusion_steps：默认 25；提高到 40–50 通常更稳，但耗时近似按步数增加。
inference_cfg_rate：默认 0.7；提高可增强参考音色/音高约束，过高可能过度平滑。
cfm_temperature：默认 1.0；降低到 0.8 可减少抖动。

建议一次只改一项并固定生成节点的 seed 做 A/B 对比。示例 19_cfm_advanced.json 使用 40 / 0.85 / 0.8，不是新的强制默认值。

可选加速模式

模型加载器默认 off，这是零附加依赖、兼容性最高的模式：

auto_safe：仅当本机已有 Ninja 和 CUDA/C++ 编译工具链时启用 BigVGAN CUDA 融合核。
bigvgan_cuda：显式请求 BigVGAN 融合核；首次可能编译，失败自动回退。
torch_compile：需要与当前 PyTorch 匹配的 Triton；首次推理有编译开销。
gpt_accel：需要 FlashAttention 和 Triton。该路径不能完整表达所有 beam/top-p/top-k 参数，节点发现不兼容采样组合时会临时使用普通 GPT，避免静默改变结果语义；合成提示 KV Cache 已在内置核心修复。
deepspeed：只在用户显式选择且环境已安装 DeepSpeed 时启用。节点不会替用户安装，也不会把它作为必需依赖；不同硬件上可能加速，也可能更慢。

缺依赖或初始化失败时，模型信息会显示 effective=off 和回退原因。先用“环境与可选加速”节点检查，再决定是否维护独立的加速环境。不要为了节点加速覆盖 ComfyUI 的 torch/CUDA 组合。

Windows、Python 3.10、torch 2.8.0+cu128 可使用桌面整合包已实测的精确轮子：

pip install "triton-windows==3.4.0.post21"
pip install "https://github.com/kingbri1/flash-attention/releases/download/v2.8.3/flash_attn-2.8.3%2Bcu128torch2.8.0cxx11abiFALSE-cp310-cp310-win_amd64.whl"
pip install "https://github.com/6Morpheus6/deepspeed-windows-wheels/releases/download/v0.17.5/deepspeed-0.17.5%2Be1560d84-2.8torch_cu128-cp310-cp310-win_amd64.whl"

这组轮子只适用于上述精确 ABI；其他 Python、torch 或 CUDA 组合必须寻找对应轮子。节点不会自动安装，也不会把它们加入基础 requirements.txt，以免覆盖宿主 ComfyUI 的 PyTorch 环境。

vLLM-Omni 更适合 Linux 服务端吞吐场景，后续会作为隔离 sidecar 评估；当前不会塞入 Windows/ComfyUI 基础环境。官方 TensorRT 后端目前只提供 IndexTTS 2.0 引擎，因此本节点不会虚假宣称 2.5 TensorRT。

超过 15 秒的参考音频会被截取并提示。节点会把参考音频按内容哈希缓存到 ComfyUI 的临时目录，不会污染 input/output。相同模型的并发推理会串行化，防止上游内部音色/情感缓存互相覆盖。

duration_factor 表示目标时长倍率：

0.5：更短、更快
1.0：默认时长
2.0：更长、更慢

它是模型内的长度调节，不是简单的后处理拉伸；仍不承诺逐字或字幕级精确时长。

ASR 自动校对、字幕回写与时间轴编辑

ASR 校对节点接收标准 ComfyUI AUDIO 和目标文本，在本机运行 Whisper。后端可选 auto / openai_whisper / faster_whisper，语言可选 AUTO / ZH / EN / JA / ES / AR，模型可选 tiny / base / small / medium / turbo，设备可选 auto / CUDA / CPU。中文和日文按字符错误率 CER，英文、西语和阿语按词错误率 WER 判定；自动语言会根据文本选择指标。比对前统一 NFKC、大小写、简繁体、中文数字和标点，报告包含差异明细和词级时间戳。tiny 下载快，较大模型通常更准确，但占用更多磁盘、显存和时间。音频以波形直接送入 Whisper，不依赖系统 FFmpeg。

多角色/SRT 生成节点可在每句生成后自动校对，同时输出 rewritten_srt 和 timeline_report。字幕时间有：

original：保留原始 SRT 起止时间；批量台词没有原始时段时使用实际时间轴。
actual：使用最终合并音频中的真实开始/结束时间。

字幕文本有：

original：始终使用输入台词。
asr_all：有识别结果时全部替换。
asr_passed：仅相似度达到阈值时替换，其余保留原文。

“时间轴编辑”节点的 JSON 数组每行使用毫秒，真实示例如下；行号必须完整且不重复：

[
  {"line": 1, "role": "角色A", "text": "第一句。", "language": "ZH", "duration_factor": 1.0, "start_ms": 500, "end_ms": 2100},
  {"line": 2, "role": "角色B", "text": "Second line.", "language": "EN", "duration_factor": 0.9, "start_ms": 2300, "end_ms": 4500}
]

把 可视化时间轴 连接到 ComfyUI 原生 Preview Image 即可看到每句彩色轨道。把编辑后的 台词脚本 连接到“多角色 / SRT 生成”，即可按新时间轴混音；ASR 报告也可单独连接 “字幕自动回写”节点，在不重新推理的情况下尝试不同的时间和文本回写策略。

多音字与精确发音

不连接发音控制节点时，也可以在语音生成正文中直接使用官方格式：

小明<要求|YAO4 QIU2>这个题的答案是多少。
他在<银行|YIN2 HANG2>里<行走|XING2 ZOU3>了半天。
He had a <minute|M IH1 . N AH0 T> to check the <minute|M AY0 . N UW1 T> details.
彼は料理が<上手|じょうず>だが、囲碁では<上手|うわて>に負けた。

中文必须做到“一个汉字对应一个带声调拼音”。多音字位于连续词语中时请标注完整词语：官方问题 #792 的 小明<要|YAO4>求… 可能被上下文词义覆盖，应写成 小明<要求|YAO4 QIU2>…。节点会对单字嵌入连续中文和汉字/音节数量不一致给出警告。

批量规则建议使用发音控制节点。词典每行格式为 文字|读音|语言，例如：

银行|YIN2 HANG2|ZH
行长|HANG2 ZHANG3|ZH
Bilibili|B IY1 . L IY1 . B IY1 . L IY1|EN

词典保存在工作流 JSON 内，发送工作流时不会丢失。已有手工标注永远优先；词典按照长词优先，不会改写 <文字|读音> 内部。严格校验默认开启，错误会在排队前给出；关闭后无效词条保持原文并写入报告。该节点不依赖额外 G2P 模型，也不会修改已缓存模型的全局 glossary。

完整示例见 example_workflows/README.md，包含 23 组可直接打开的 UI 工作流和 23 组 API prompt：基础克隆、语速对比、情感参考音频、八维情感、文本情感、随机采样长文本、五语种生成，以及中文多音字、英文 CMU 音素、日语假名发音控制、多角色、JSON 批量台词、SRT、可选加速诊断、自动分段预览、显式停顿、原生目标秒数、CFM 高级参数、独立音频后处理、ASR 自动校对、时间轴编辑、字幕回写和多角色独立情感。使用前把 voice_reference.wav（情感音频示例还需 emotion_reference.wav）上传到 ComfyUI input。

环境与模型检查

python scripts/check_environment.py
python scripts/check_environment.py "D:\ComfyUI\models\TTS\IndexTTS-2.5"
python scripts/download_models.py --target "D:\ComfyUI\models\TTS\IndexTTS-2.5" --verify-only

最后一条命令会读取约 5GB 文件执行完整哈希校验。

固定版本

IndexTTS 代码：ee40fa7d6c6b8a2c7f06105f9f1e65775b74868c
IndexTTS 2.5 模型：c39ce5ba981572cb187443877ff559dfb246ce63
模型清单：manifests/model_2_5.json

官方项目、模型下载与致谢

IndexTTS 官方仓库：index-tts/index-tts
IndexTTS 2.5 模型（ModelScope）：IndexTeam/IndexTTS-2.5
IndexTTS 2.5 模型（Hugging Face）：IndexTeam/IndexTTS-2.5

感谢 IndexTTS 团队开源 IndexTTS 及 IndexTTS 2.5 模型。本项目是在其开源成果基础上开发的第三方 ComfyUI 集成；请支持并关注官方项目。

当前节点已同步上游 2.5 的 QwenEmotion 标签兼容、无效 use_gpt_latent 路径移除、 torchaudio 2.9+ WAV 防削波修复。低于 10GB 显存时会自动使用低显存策略：长文本分段，文本情感分析完成后先释放 QwenEmotion，再执行语音生成。

发布维护

推送 GitHub 前，使用仓库脚本自动更新 pyproject.toml 的语义化版本：

python scripts/bump_version.py patch

修复和维护使用 patch，向后兼容的新功能使用 minor，破坏性变更使用 major。仓库级 AGENTS.md 已要求后续自动化代理在每次推送前检查并更新版本，避免重复使用 Comfy Registry 中不可变的版本号。

许可证与免责声明

分发或使用前必须阅读 LICENSE、LICENSE_ZH.txt、DISCLAIMER 和 THIRD_PARTY_NOTICES.md。模型许可证要求下游保留相关版权和许可信息，并对衍生品作出非背书/不担保声明。

本节点为第三方集成，不是哔哩哔哩或 IndexTTS 原始权利人的官方产品；原始权利人不对本衍生品背书、不担保、不承担责任。