对齐官方 PR #802：英文、西班牙语等非 CJK 文本的大分段值按 3.1 / 4.3 语音 Token 密度比例限制到约 86 Token，降低长段末句读错或编造内容的风险。
自动模式已有的 EN/ES=60、AR=80 等较小限制不会被重复缩小；中文、日语、韩语、粤语和未知语言保持原行为。
预览、状态报告与真实推理使用同一有效上限；全部 33 组 UI/API 工作流已刷新到 0.23.1。

v0.23.0 人类可读逐句情感与时间轴交换

批量台词推荐使用一行一句的 角色|台词|语言|时长系数|逐句情感，无需手写 JSON；支持 text:、八维 vector:、speaker、;strength=0~1 与 ;random=true。
原有 JSON 数组完全兼容；新增“一行一句可编辑批量脚本”输出，台词中的 | 和换行可安全往返。
示例 31 改为人类可读格式，全部 33 组 UI/API 工作流刷新到 0.23.0。
配套 Desktop 0.24.0 在时间轴旁提供八维含义速查，并支持 JSON/CSV 可编辑时间轴导入导出。

v0.22.0 中文数字/日期归一化自检

采样设置明确标注数字/日期归一化，环境节点会真实验证 1939年 → 一九三九年，不会只根据包是否安装判断可用。
Windows/macOS 可选使用 wetext，Linux 可选使用 WeTextProcessing；缺失或自检失败时保留原文继续生成。
新增独立可选依赖文件和中英文安装说明，普通安装不会因平台轮子缺失而失败。
刷新并校验全部 33 组 UI 与 33 组 API 示例工作流。

v0.21.4 PyTorch/Triton 加速兼容回退

识别 NVIDIA 环境中错误传入 AMD 专用 waves_per_eu 参数的 PyTorch/Triton 组合，并输出可操作的兼容诊断。
GPT/torch.compile 可选加速运行失败时，释放加速模型、切换普通模式并自动重试，避免整条工作流失败。
重新生成并校验全部 33 组 UI 示例工作流；Desktop 0.22.2 同步修复流式试听回退并采用安全默认配置。

v0.21.3 Linux TorchCodec 发布兼容

Linux current 测试现在安装与当前 Torch/Torchaudio 匹配的 TorchCodec；固定 2.9 矩阵继续使用 TorchCodec 0.9。
两套 Linux TorchCodec 测试都会安装 FFmpeg 共享开发库并执行真实 WAV 编解码，不会通过跳过测试掩盖原生库加载失败。
PCM 归一化测试改为验证公共音频写入边界，不再绑定 Torchaudio 2.8 的旧 torchaudio.save 实现。推理功能与 0.21.2 相同。

v0.21.2 Arabic、Cache 与双显存质量门禁

正式 ASR 配置保持 OpenAI Whisper 20250625；中英日西使用 base，Arabic 改用同一 WAV 实测 WER 从 0.6154 降至 0.1923 的 small。Arabic 比较会移除变音符号/拖长符并统一 Alef/Ya 常见字形，但不会掩盖辅音发音错误。
GPT 推理边界迁移到 Transformers Cache / DynamicCache 新接口，同时保留旧 tuple 输入兼容；真实五语言生成不再出现旧 past_key_values 格式弃用警告。
Torchaudio 2.9+ 启动预检会在加载模型前检查 TorchCodec 和 FFmpeg 共享库；Windows 仅有 ffmpeg.exe 而缺少 DLL 时会直接给出可操作说明。便携包固定 Torchaudio 2.8，不受影响。
每周/手动 GPU 工作流串行运行正式 8GB 与 24GB 档。RTX 实测两档均通过：峰值分别约 3.34 GiB 与 5.52 GiB；脱敏基线为 quality_baselines/openai-whisper-mixed-8gb-gpu.json 和 quality_baselines/openai-whisper-mixed-24gb-gpu.json。
新增质量趋势任务，把最近历史报告汇总为 JSON、Markdown 和 SVG，持续跟踪平均 CER/WER、中位 RTF 与峰值显存；完整 WAV/报告保留 30 天，趋势保留 90 天。

v0.21.1 固定 ASR 基线与依赖迁移

OpenAI Whisper 固定为 20250625；正式 GPU 基线固定使用 base、CUDA、同一参考音色与同一 seed，记录中英日西阿五语言 CER/WER。
新增独立的每周/手动 GPU 质量工作流，只在带 gpu 与 indextts25 标签的自托管 Windows runner 上执行，不让普通 PR/Push CI 加载约 10 GB 模型。
IndexTTS GPT 推理类显式继承 GenerationMixin；Torchaudio 2.9+ 改用原生 TorchCodec AudioDecoder/AudioEncoder，2.8 便携环境继续使用旧后端。
普通 CI 增加 Linux torch/torchaudio 2.9 + TorchCodec 0.9 兼容矩阵；版本提升后已重新生成 33 组 UI 与 33 组 API 工作流。
Windows 上使用 Torchaudio 2.9 / TorchCodec 时，还需要系统能找到 FFmpeg 共享库（DLL）；只有独立的 ffmpeg.exe 不足以加载 TorchCodec。官方便携包仍固定使用 Torchaudio 2.8，不受此要求影响。
脱敏基线位于 quality_baselines/openai-whisper-base-gpu.json；定时任务的完整 WAV 与报告作为 30 天 Actions artifact 保存。

五语言质量回归与 CLI

scripts/run_multilingual_quality_regression.py 使用同一参考音色依次生成中、英、日、西、阿固定长文本，输出 WAV 与 quality-report.json。
报告包含可选 CER/WER、内部段语速离散度、削波、静音、时长、RTF 和峰值显存；--baseline 可与旧报告做可解释的回退检查。
indextts.cli 已改为正式 IndexTTS 2.5 五语言推理，支持情感参考/向量/文本、时长、采样、CFM、精度、参考编码器设备与可选加速。
Desktop 开发分支同步增加跨段语速柱状图、原始/自动重试/当前采用三路试听和内部单段重做合并。

# 在节点仓库目录执行；不会下载主模型或参考音频；启用 ASR 时可能下载 Whisper 到输出目录
..\.venv\Scripts\python.exe scripts\run_multilingual_quality_regression.py `
  --model-dir D:\ComfyUI\models\TTS\IndexTTS-2.5 `
  --voice D:\ComfyUI\input\voice_reference.wav `
  --asr-backend auto --output-dir .\quality-regression --strict

..\.venv\Scripts\python.exe -m indextts.cli "欢迎使用正式 IndexTTS 2.5。" `
  --voice D:\ComfyUI\input\voice_reference.wav `
  --model-dir D:\ComfyUI\models\TTS\IndexTTS-2.5 --language ZH `
  --output-path .\cli-output.wav

v0.21.0 跨段语速异常保护

长文本内部每个实际合成分段都会记录文字单位数、真实音频时长和单位/秒；至少两个稳定分段后才建立中位语速基线。
只有后续分段突然降到基线 45% 以下、且差异足够大时才标为异常；短句、一般情绪放慢、确定性采样和原生目标时长不会被强行改速。
异常时仅以更小 Token 上限和独立 seed 重做该段，不重做整条长文本；新候选必须明显更接近基线且不过快才会替换原段。
状态输出增加 segment_rate_guard，包含基线、比率、是否重试及是否采用，方便定位长文本尾部拖慢问题。
0.21.0 已通过 Comfy Registry 安全扫描并正式激活；Publish 工作流幂等重跑后全部成功。

v0.20.9 Registry 扫描兼容与稳定性修复

Linux 与 Windows 发布门禁新增针对 services/model_store.py 的 Pylint/Astroid Fatal 检查，可在发布前拦截能够由源码复现的 F0002/astroid-error。
Hugging Face 模型自动下载改为当前进程内的分块流式传输，不再启动下载工作子进程；保留进度、中止、断点续传、固定版本及文件大小/SHA-256 校验。
修复多 GPU 使用 cuda:1 及更高编号显卡时，GPT 加速张量错误落到默认 cuda:0 的问题。
修复停止 audio.cpp、Hugging Face 模型下载、分段生成及 ASR 候选检查时响应不及时或遗留子进程的问题。
修复 4/8 kHz 低采样率音频使用人声后处理预设时可能产生非法数值的问题。
多角色台词未显式填写语言时，正确继承对应角色音色的默认语言；同时修复逐句情感字符串 false、非法字幕实际时间及示例 33 角色映射。
模型哈希缓存增加并发保护；更新检查改为真正的 1 MiB 流式上限。
Registry 包移除未使用训练权重，并随包提供 BigVGAN 上游第三方许可证全文。
停止检查只复用 ComfyUI 已加载的运行时模块，避免纯 CPU 环境因节点主动初始化 CUDA 而失败。

v0.20.5 移除 audio.cpp 联网安装器

删除“audio.cpp 一键组件”节点以及节点内的 GitHub/Hugging Face 运行时、GGUF 下载代码，避免 Comfy Registry 将可选联网安装行为标记为风险。
保留隔离的 audio.cpp 实验生成节点，但必须由用户从官方页面手动下载组件并填写本地绝对路径；节点不会联网安装、更新或修改 audio.cpp。
删除原示例 34；当前提供 33 组 UI 工作流和 33 组 API prompt，示例 27 继续演示手动本地 audio.cpp 后端。

v0.20.4 模型完整性、并发释放与便携资源加固

完整 SHA-256 校验与模型缓存指纹加入不可由普通时间戳恢复覆盖的文件变更标记，能够识别同尺寸替换。
“释放全部模型”遇到正在生成的任务时改为延迟释放，避免下一任务重复加载第二份模型；ASR 清理也会等待当前识别结束。
模型缺失文件总量加 1 GiB 安全余量超过可用空间时，在联网下载前直接停止并显示所需/可用空间。
audio.cpp 组件安装增加断点完整性、解压空间预检、事务替换、清单路径约束及 Windows 文件变更检测。
已保存音色包拒绝 Windows 大小写/Unicode 路径别名和重复角色，并避免刷新缓存时不断创建新目录。

v0.20.2 ComfyUI V3 测试修复

节点架构测试改为按稳定的节点 ID 校验输入输出，不再依赖新增节点会改变的列表下标。

v0.20.1 跨平台测试修复

audio.cpp 安装器的平台检测改为局部、可测试的判断，避免 Linux 测试环境被 Windows 平台模拟污染；用户功能与 v0.20.0 保持一致。

v0.20.0 共享音色库与 audio.cpp 一键可选组件（该安装器已于 v0.20.5 移除）

新增“已保存音色”节点：直接读取 Desktop 导出的 .t8voice.zip，一个音色包同时携带音色音频、角色名、语言、角色情感、标签、收藏、备注和质量报告，不必在每个工作流重复上传参考音频。
音色包放在 ComfyUI/models/TTS/IndexTTS-2.5/voices/。新增或替换后刷新浏览器；仅内容变化但文件名不变时，也可把节点“刷新令牌”加 1。
新增“audio.cpp 一键组件”节点：由用户明确确认后下载官方 Windows CUDA/Vulkan/CPU 运行时和 Q8/F16/original GGUF，支持断点续传、磁盘预检与 SHA-256 校验。默认 Python 推理完全不受影响。
audio.cpp 生成节点的路径可留空，会自动使用一键组件安装结果；手动绝对路径仍然优先。
示例扩充到 34 组：33_saved_voice_library.json 与 34_audiocpp_one_click.json 分别演示共享音色和一键组件。

v0.19.0 模型下载进度与磁盘预检

模型加载器的“缺失时自动下载/修复完整模型”现在把扫描、下载和 SHA-256 校验映射到 ComfyUI 任务进度，不再只能观察终端下载条。
下载按固定清单逐文件执行；ComfyUI 显示总体进度，终端同步显示当前阶段、文件、速度和 ETA。保留 Hugging Face 断点续传，损坏文件仍强制重新下载。
下载前报告保守的缺失字节数与目标磁盘可用空间；低于安全下限时在写入大文件前给出明确错误。
自动修复结束后再次校验全部 26 个主模型与辅助文件，失败时继续报告具体缺失或哈希不匹配路径。

v0.18.0 长文本/SRT 稳定性与参考缓存管理

长英文、西班牙语和长 SRT 台词会检测 max_mel_tokens 警告与异常输出时长；可疑语音块只自动缩短分段并重试一次，生成报告会记录原因和结果。
修复 Windows GBK 控制台输出西语字符时可能触发的 UnicodeEncodeError；真实 IndexTTS 2.5 长英文/西语 WAV 已回归通过。
“模型、显存与参考缓存管理”新增 reference_cache_status 与 clear_reference_cache。报告包含条目、字节数、命中/未命中和命中率；清理只删除本节点自己的 safetensors，不删除模型和参考音频。
示例 06 改为真实长英文保护用法；示例 13 增加长西语 SRT；示例 26 展示参考缓存状态。

v0.17.0 上下文逐句情感建议

新增“上下文逐句情感建议”节点：本地 QwenEmotion 会区分前文、目标台词、后文和角色，为每句建议八维情感向量与强度。
默认保留脚本已有的 text: / vector: 人工设置；只有主动开启“覆盖已有逐句情感”才会替换。
节点只输出带建议的台词脚本、可编辑 JSON 和摘要，不会生成音频。用户检查后再接时间轴或多角色生成节点。
新增 32_context_emotion_suggestions.json 两阶段示例，工作流故意不连接生成节点，避免未经确认直接合成。

v0.16.3 Registry 安全扫描兼容

保留 audio.cpp 实验节点，改用 ComfyUI V3 可等待的异步、无 Shell 固定参数进程接口，并继续执行绝对路径、后端和参数白名单校验。
手动更新检查只允许访问代码内置的三个官方固定端点，禁用跨站重定向并限制响应不超过 1 MiB；节点版本改由 GitHub Contents API 读取。
保留捆绑上游语言表的完整映射，同时改写一个会被扫描器误判为系统提权命令的语言代码字面量；所有语言索引和行为不变。
Registry 发布包通过 .comfyignore 排除测试和 CI 文件；GitHub 源码、完整测试与示例仍全部保留。

v0.16.2 模型仓库新名称

Hugging Face 完整模型仓库已更名为 t8star/IndexTTS-2.5-Comfy，下载器、模型清单和文档同步使用新地址。
仓库名称改变不影响 ComfyUI 标准目录；模型仍应直接放在 ComfyUI/models/TTS/IndexTTS-2.5/。

v0.16.1 模型目录说明

GitHub 中英文 README 与 Hugging Face 模型卡同步增加节点/模型分离目录树、Windows 完整路径和“多套一层目录”的错误示例。
完整模型仍放在 ComfyUI/models/TTS/IndexTTS-2.5/，节点代码放在 ComfyUI/custom_nodes/comfyui-indextts25-T8/。

v0.16.0 完整模型单仓库与按需修复

新增完整模型仓库 t8star/IndexTTS-2.5-Comfy：在未修改原始权重的前提下，把官方 2.5 主模型、来自官方 2.0 仓库的必需 bpe.model，以及推理必需的 Wav2Vec2-BERT、CAMPPlus、BigVGAN 放在同一目录结构中。
模型加载器新增“缺失时自动下载/修复完整模型”；默认关闭，只有用户同时勾选许可证确认后才联网下载，约需 7.7 GiB。
下载器按固定 revision 与 SHA-256 清单检查并只修复缺失或损坏的文件，手动下载完整仓库也可直接使用。
官方 IndexTeam/IndexTTS-2.5 仓库目前没有 bpe.model，所以只下载该仓库会被本节点正确判定为目录不完整；这不是用户目录放错。

v0.15.0 逐句情感与安全字幕槽位

同一角色可在每条批量台词、JSON、SRT 或时间轴记录中单独覆盖文本情感或八维情感向量；留空继承角色默认情感。
新增 31_per_line_emotion.json，完整演示同一个音色在平静、生气和角色默认情感间逐句切换。
字幕槽位安全默认值改为 pad，超长语音不再默认裁掉句尾；native/exact 明确标注裁剪风险。
Desktop 0.16.0 的流式试听由内置 PyAV 编码，不再要求用户系统安装 FFmpeg/FFprobe。
duration_factor 统一说明为官方声学时长适配，不再误导为自然语气语速。

0.14.0 新增当前模式真实性能基准、手动上游更新检查、跨模型重载的安全参考条件缓存，以及保留全部音频的多候选质量筛选； Desktop 0.16.0 可依次实测加速模式并给出推荐，所有耗时或联网操作仍必须由用户主动触发。完整模型仓库保留每个文件的上游来源与固定 revision；主权重仍是官方 2.5 文件，bpe.model 来自官方 2.0 模型仓库，未对权重内容做修改。 Desktop 与 Node 是两个独立发行物，因此各自使用独立版本号；Core/Model 是固定的官方代码和权重 revision。

v0.14.0 真实性能、多候选与缓存更新

“真实性能基准”使用相同参考音频、文本与 seed，预热后报告当前模型加载器实际生效模式的中位 RTF、最佳 RTF 和峰值显存；切换加载器模式后重跑即可公平比较。
语音生成的“追加候选数量”会保留全部候选，并输出 AUDIO 列表；本地 ASR 可用时结合台词相似度和音频质量选优，不可用时按削波、静音、直流偏移等技术指标选优，不会让已有音频失败。
模型加载器默认启用持久参考条件缓存。缓存按参考音频内容、模型 revision/指纹、精度和参考设备隔离，使用 safetensors，最多保留 128 项；高级选项可关闭。
“检查更新”手动比较官方代码、Hugging Face 模型与本节点版本，只输出报告，不下载、不覆盖文件。
Desktop 0.15.0 在启动前可顺序实测各加速模式并应用推荐；基准不会与正在运行的服务并发，也不会自动启动。

v0.13.0 加速诊断更新

“环境与可选加速”在不加载模型的情况下报告准确的已安装依赖版本，便于区分“没有安装”和“运行时初始化失败”。
Desktop 启动器可重新检测 BigVGAN CUDA、Torch Compile、GPT 加速和 DeepSpeed，并逐项解释预计启用或回退原因。
JSON 诊断报告包含系统、硬件、模型校验、所选运行参数、固定代码/模型 revision 与排错说明，方便用户直接随 Issue 提交。
预检只代表依赖具备；真正生效模式仍以启动日志和 WebUI 环境诊断为准。DeepSpeed 的 AIO/cuFile 可选扩展警告不影响语音推理判定。

v0.12.0 低显存与精度更新

auto 精度只在显卡原生支持时选择 BF16；旧显卡自动回退 FP16，也可手工选择 float16。
参考编码器新增 auto / same / cpu：低于 10GB 显存时，auto 会把 Wav2Vec/CAMPPlus 放到 CPU。
可选“快速默认情感”在没有独立情感输入时复用音色条件，减少一次参考编码；默认关闭以保持原行为。
环境节点新增显卡名称、显存、推荐精度、参考编码器位置和安全加速模式，不加载模型即可先检查。
新增第 28 组低显存工作流；Registry 发布后继续等待安全扫描，只有 Active 才算正式发布成功。

v0.11.5 发布保护

Registry 发布任务按仓库串行排队，避免手动触发与延迟 push 事件并发上传同一版本。
上传前通过官方只读版本接口检查精确版本；Active/Pending 等已存在状态会绿色跳过，只有 404 才允许上传。
Registry 查询发生超时、5xx 或返回异常内容时重试并安全停止，不会在状态不明时盲目发布。

v0.11.4 稳定性更新

首次使用或更换音色时只执行一次 Wav2Vec 编码和一次音频读取/重采样，减少重复的参考音频预处理。
模型加载信息明确显示 Node/Core/Model 版本，运行时节点版本直接读取 pyproject.toml，避免版本号漂移。
CI 同时验证 Linux 当前环境与 Windows Portable 对应的 Python 3.10 / torch 2.8 环境。
GPT 加速的 synthetic-prompt KV Cache 防误命中修复已核验并保留专门回归测试。
普通批量台词可直接包含官方 <文字|读音> 标注，不再被字段分隔符误切开。
JSON/SRT 时间轴严格校验成对起止时间、先后顺序和安全范围；合成前会阻止超过 1 GiB 的异常密集分配。
单人和多角色 ASR 校对在后端缺失、下载失败或运行异常时都会保留已经生成的音频。
自动兼容 v0.10 模型加载器工作流的自定义路径错位；覆盖更新同目录权重后会使用新的文件指纹重载。
“全部释放”同时清理本扩展的 IndexTTS 与 Whisper 缓存；audio.cpp 增加 Apple Metal 选项。
Windows DeepSpeed 的 BF16 请求自动使用兼容性更好的 FP16 推理 workspace；失败仍安全回退普通模式。
27 组 UI 工作流增加控件顺序/类型校验，并在 Registry 发布前使用当前 ComfyUI V3 API 自动测试。
参考音频缓存改用标准 PCM16 WAV 写入，兼容最新版 torchaudio 未安装 TorchCodec 的环境。

已实现节点

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 / float16 / float32 精度
- auto / same / cpu 参考编码器位置，以及可选默认情感条件复用
- 默认开启基于 safetensors 的持久参考条件缓存；高级选项可关闭
- 全局惰性缓存、同模型线程锁、可选生成后释放或连续 N 次生成后安全重载
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 声学时长适配；它不是自然语气语速，极端值可能拉长或失真
- 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
- 可生成 1–4 个候选并从独立 AUDIO 列表输出；ASR 可用时结合文本相似度与波形质量选优，否则使用波形质量选优
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
- 配套“已保存音色”节点可直接加载 Desktop .t8voice.zip，免去重复上传参考音频
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|逐句情感、JSON 数组和标准 SRT
同一角色每句可用文本描述或八维向量覆盖情感；留空继续继承角色默认情感
普通批量台词中的 <文字|读音> 会作为正文保留；复杂正文也可使用 JSON 格式
SRT 支持 [角色] 台词、角色：台词 和 [角色|emotion=text:生气] 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 上下文逐句情感建议 · T8star-Aix

使用本地 QwenEmotion 结合每句前后文建议八维情感向量和强度，并明确区分不同角色
默认保留人工逐句情感，只输出可编辑脚本/JSON；不会生成音频

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；字幕槽位默认使用不丢字的 pad，native/exact 仅用于允许裁剪的硬槽位
可逐句 ASR 校对并在低于阈值时自动重试，任务报告记录每次 seed、相似度和最终选择

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原生 BF16、FP16、显存、CUDA 工具链、Triton、FlashAttention、DeepSpeed
输出 torch/CUDA Runtime/FlashAttention/Triton/DeepSpeed/Ninja 实际版本、推荐精度、参考编码器位置和安全加速模式
只报告能力，不安装任何附加依赖；“可用”与模型启动后的“实际生效”分开说明

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、时长系数与情感覆盖
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、波形对齐图和完整 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

IndexTTS 2.5 参考音频质量检测 · T8star-Aix

检测时长、首尾静音、静音占比、响度、削波、估算信噪比和直流偏移
可在不覆盖原音频的前提下自动裁剪静音，并从超长音频中选取能量最集中的片段

IndexTTS 2.5 显存管理 · T8star-Aix

查看本扩展 IndexTTS/ASR 模型缓存与 CUDA 显存状态；“全部释放”同时清理 Whisper 缓存
不调用 ComfyUI 全局清理，不会卸载其他节点正在使用的模型

IndexTTS 2.5 audio.cpp 实验生成 · T8star-Aix

隔离调用可选 audiocpp_cli 与 IndexTTS2.5 GGUF，支持 CUDA/CPU/Vulkan/HIP/Metal、五语种、语速与情感控制
仅接受用户手动安装的本地 CLI 与 GGUF 绝对路径，不联网下载，也不替换默认 Python 推理

IndexTTS 2.5 真实性能基准 · T8star-Aix

对模型加载器实际生效的模式做预热和 1–5 次正式测量，报告中位/最佳 RTF 与 CUDA 峰值显存
使用相同文本、参考音频和 seed；切换加载器加速模式后重跑即可公平对比

IndexTTS 2.5 检查更新 · T8star-Aix

手动联网检查官方主分支、官方 Hugging Face 模型和节点版本
只返回 JSON 与摘要，不下载模型、不修改节点、不自动执行

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、日期与年份怎么读

阿拉伯数字的异常读法通常发生在文本前端，与参考音频或音色克隆是否成功无关。请在 IndexTTS 2.5 采样设置 中开启“文本归一化（数字/日期）”。正常情况下，文本在送入模型前会按语境转换：

| 原文 | 推荐读法 | 说明 | |---|---|---| | 1939年 | 一九三九年 | 年份按位读 | | 1939个人 | 一千九百三十九个人 | 数量按数值读 |

文本归一化是一个独立可选依赖：Windows/macOS 使用 wetext>=0.1.7,<0.2，Linux 使用 WeTextProcessing>=1.2.0,<2。在 IndexTTS 2.5 环境与可选加速 节点的 JSON 中查看 text_normalization：只有 verified: true 且示例输出为 一九三九年 才表示真实可用。

普通环境在本节点目录执行：

python -m pip install -r requirements-text-normalization.txt

Windows 便携版请在 ComfyUI_windows_portable 目录执行：

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

也可通过 Python 包可选项安装：python -m pip install -e ".[text-normalization]"。安装后重启 ComfyUI。缺少依赖或自检失败时，节点会保留原文继续生成；此时请直接写“一九三九年”等希望听到的口语形式。该可选项不会影响模型加载、语速适配或文本情感功能。

模型位置

节点代码和模型权重是两个不同目录，标准位置为：

ComfyUI/
├─ custom_nodes/
│  └─ comfyui-indextts25-T8/       ← 本 GitHub 节点仓库
└─ models/
   └─ TTS/
      └─ IndexTTS-2.5/             ← HF 完整模型仓库的全部文件
         ├─ config.yaml
         ├─ bpe.model
         ├─ gpt.pth
         ├─ codec.pth
         ├─ s2mel.pth
         ├─ feat1.pt
         ├─ feat2.pt
         ├─ wav2vec2bert_stats.pt
         ├─ multilingual_zh_ja_yue_char_del.tiktoken
         ├─ qwen0.6bemo4-merge/
         └─ hf_cache/
            ├─ w2v-bert-2.0/
            ├─ campplus_cn_common.bin
            └─ bigvgan/

Windows 完整路径示例：

D:\ComfyUI\models\TTS\IndexTTS-2.5\config.yaml
D:\ComfyUI\models\TTS\IndexTTS-2.5\bpe.model
D:\ComfyUI\models\TTS\IndexTTS-2.5\hf_cache\bigvgan\bigvgan_generator.pt

config.yaml、bpe.model 和 gpt.pth 必须直接位于 IndexTTS-2.5 目录中。不要出现下面这种多套一层的错误路径：

ComfyUI/models/TTS/IndexTTS-2.5/IndexTTS-2.5-Comfy/config.yaml  ← 错误

如果从 HF 网页下载并解压后目录名是 IndexTTS-2.5-Comfy，请把它重命名为 IndexTTS-2.5，或把里面的全部文件移动到标准目录。手动放置后重启或刷新 ComfyUI。

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 7.7 GiB 的完整模型遵循 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。

方法一：在模型加载器中按需下载（推荐）

添加“IndexTTS 2.5 模型加载器”。
开启“缺失时自动下载/修复完整模型”。
阅读许可证与免责声明后，勾选“我已阅读并接受模型许可证”。
运行一次工作流。节点会下载或修复到上面的标准目录，并在完成后继续加载；默认不会自动联网。

完整仓库约 7.7 GiB，请保证磁盘空间和网络稳定。首次下载完成后可关闭这两个选项。

方法二：命令行下载

节点已放到 ComfyUI 后，Hugging Face 是默认和推荐下载源：

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

也可使用 Hugging Face CLI 直接下载完整目录：

hf download t8star/IndexTTS-2.5-Comfy `
  --local-dir "ComfyUI/models/TTS/IndexTTS-2.5"

ModelScope 是兼容下载路径。使用前先安装可选依赖：

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

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 huggingface --accept-license

下载器固定到清单中的完整模型版本，完成后执行全量 SHA-256 校验，并准备 Wav2Vec2-BERT、 CAMPPlus 和 BigVGAN 辅助模型。直接下载官方 IndexTeam/IndexTTS-2.5 仓库不会包含必需的 bpe.model；请使用上面的完整仓库或本项目下载器。手动安装后重启/刷新 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、时长系数和逐句情感都可省略：

角色A|我先平静地说明情况。|ZH|1.0|text:平静、从容;strength=0.75
角色A|你为什么一直在骗我！|ZH|1.0|vector:0,0.8,0,0,0,0,0,0;strength=0.85
角色A|这一句恢复角色默认情感。|ZH|1.0

这是一行一句的推荐写法，无需手写 JSON。情感末尾可追加 ;strength=0~1，向量还可追加 ;random=true；台词正文中的分隔符 | 写作 \|，正文换行写作 \n。节点的第三个输出 “一行一句可编辑批量脚本”可直接复制、修改或保存。原有 JSON 完全兼容：

[
  {
    "role": "角色A",
    "text": "我先平静地说明情况。",
    "language": "ZH",
    "duration_factor": 1.0,
    "emotion": {"mode": "text", "text": "平静、从容", "strength": 0.75}
  },
  {
    "role": "角色A",
    "text": "你为什么一直在骗我！",
    "language": "ZH",
    "duration_factor": 1.0,
    "emotion": {
      "mode": "vector",
      "vector": [0, 0.8, 0, 0, 0, 0, 0, 0],
      "strength": 0.85
    }
  }
]

八维顺序固定为 喜、怒、哀、惧、厌恶、低落、惊喜、平静，每项范围 0–1。逐句支持 inherit / speaker / text / vector：inherit（或留空）使用角色音色节点保存的默认情感；speaker 强制跟随音色参考；text 使用情感描述；vector 使用八维向量。完整工作流见 31_per_line_emotion.json。

需要根据剧情前后文自动得到逐句建议时，使用“上下文逐句情感建议”节点：模型与“批量台词 / SRT” 都连接到该节点，默认上下文窗口为前后各 2 句。第一次运行只得到带建议的台词脚本和 JSON，不会生成音频；检查八维向量和 strength 后，再将脚本连接到时间轴编辑与多角色生成。完整的安全两阶段连接见 32_context_emotion_suggestions.json。

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|emotion=text:平静、从容] 这是第一条字幕。

2
00:00:02,800 --> 00:00:05,000
[角色A|emotion=vector:0,0.8,0,0,0,0,0,0] 同一个角色现在变得生气。

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 pad：短音频补静音，超长音频完整保留，避免因字幕槽位过短裁掉句尾。 native 会直接向长度调节器分配目标帧数，但最后仍会精确补齐或裁剪；exact 也会裁剪，只有在必须严格对齐且已经确认整句能放入槽位时才建议使用。目标时长与自然长度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；最后精确收尾，可能裁掉超长句尾。
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，是字幕槽位的安全默认值。
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：

precision=auto：原生 BF16 可用时选择 bfloat16，否则 CUDA 自动使用 float16；CPU 使用 float32。
reference_device=auto：显存低于 10GB 时把参考编码器放 CPU；same 强制同设备，cpu 始终节省显存。
reuse_spk_cond_for_emo：只有未连接独立情感时才复用音色条件，默认关闭；开启后更快但可能轻微改变听感。
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。

ASR 属于可选的生成后校对：后端未安装或单句识别失败时，节点会在报告中记录警告、保留原字幕，并继续输出已经生成的音频，不会因为字幕回写而让整项任务失败。旧工作流若把字幕选项保存成 0 / 1 / 2 或因控件顺序变化发生错位，也会自动转换为安全模式。若要手动修复旧节点，可把“回写字幕时间”设为 actual，把“回写字幕文本”设为 asr_passed；仍显示数字时删除并重新添加该生成节点。

“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 33 组可直接打开的 UI 工作流和 33 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、多角色独立情感、参考音频检测、ASR 失败重试、模型回收、已保存音色库、audio.cpp 手动本地后端和低显存 FP16。使用前把 voice_reference.wav（情感音频示例还需 emotion_reference.wav）上传到 ComfyUI input。

可选 audio.cpp 实验后端

默认不捆绑、下载或更新第三方二进制及 GGUF 模型，也不会改变默认加载器。请从 audio.cpp 官方发布页与 audio.cpp GGUF 仓库手动下载，解压后在实验生成节点中分别填写 audiocpp_cli 和 GGUF 目录/文件的绝对路径。节点内不提供联网安装功能。当前 Q8 文件约 3.5GB。audio.cpp 的文本归一化是独立 C++ 实现，少见日期、单位、网址，以及日语/西语分词边界可能与官方 Python 路径不同；正式使用前应对五语种、情感、发音标注和语速分别试听对比。

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 7.7 GiB 文件执行完整哈希校验。

Registry 安全扫描说明与剩余敏感操作的边界见 SECURITY_REVIEW.md。发布工作流不会再把“上传完成”误报成“Manager 可安装”；只有版本状态成为 NodeVersionStatusActive 才通过。

固定版本

IndexTTS 代码：ee40fa7d6c6b8a2c7f06105f9f1e65775b74868c
IndexTTS 2.5 上游模型：c39ce5ba981572cb187443877ff559dfb246ce63
完整模型仓库：14166a7401f9f87f53770a1784390e8c0e9da15a
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
本节点完整模型（推荐）：t8star/IndexTTS-2.5-Comfy
IndexTTS 2.5 模型（ModelScope）：IndexTeam/IndexTTS-2.5
IndexTTS 2.5 模型（Hugging Face）：IndexTeam/IndexTTS-2.5

完整模型仓库仅重新组织运行所需的原始文件，不修改上游权重，并在模型卡中列出每个来源、固定版本和许可证。特别感谢 IndexTTS、Wav2Vec2-BERT、CAMPPlus 与 BigVGAN 的作者开源相关成果。

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。