🎧 ComfyUI-WooshNode

Sony Woosh 音频生成自定义节点 | 文本/视频生成沉浸式音效

基于 Sony Research 官方 Woosh 模型，为 ComfyUI 打造的一站式音频生成节点，支持文本生成、视频匹配音效、长视频分段生成，修复了官方模型 description=None 报错问题，支持空提示词生成。

---

✨ 功能特性

• 🎤 文本生成音频：通过文字描述生成任意音效（如门关闭、环境音、特效音）
• 🎬 视频生成音频：自动匹配视频画面生成同步音效，支持自定义提示词增强
• 🎞️ 长视频分段生成：自动拆分长视频为片段，生成后无缝拼接，支持重叠过渡
• ⚡ 模型缓存优化：首次加载后缓存模型，避免重复加载，大幅提升生成速度
• 🛠️ 鲁棒性增强：修复了官方模型 description 为空时的崩溃问题，兼容空提示词场景

---

📦 安装方法

方法1：ComfyUI Manager 一键安装（推荐）

1. 打开 ComfyUI → 进入 Manager → Install Custom Nodes
2. 搜索 ComfyUI-WooshNode 或直接粘贴仓库地址： https://github.com/huiksxx/ComfyUI-WooshNode
3. 点击 Install → 重启 ComfyUI 即可使用

方法2：手动 Git 安装

1. 进入 ComfyUI 的 custom_nodes 文件夹
2. 打开终端/命令行，执行：

   git clone https://github.com/huiksxx/ComfyUI-WooshNode.git
   
   📥 模型权重下载（必须）
   

Woosh 节点需要下载官方模型权重文件，请按以下步骤操作。

1. 下载权重文件 访问 Woosh SFX Releases 下载以下文件：

Woosh-Flow.zip：文本生成音频主模型（约 1.17 GB）

Woosh-AE.zip：音频编解码器（约 785 MB）

TextConditionerA.zip：文本条件器（约 1.21 GB）

Woosh-VFlow-8s.zip：视频生成音频模型（可选，约 1.43 GB）

TextConditionerV.zip：视频条件器（可选，约 1.21 GB）

synchformer_state_dict.pth：视频特征提取器（可选，约 2.5 GB），下载地址：hf-mirror

视频相关模型只需在需要视频生成音频时下载。

2. 放置到指定目录 解压后，将所有文件夹和 .pth 文件放入：

下载 ComfyUI/models/woosh/checkpoints/ 目录结构示例：

下载 ComfyUI/models/woosh/checkpoints/ ├── Woosh-Flow/ ├── Woosh-AE/ ├── TextConditionerA/ ├── Woosh-VFlow-8s/ （可选） ├── TextConditionerV/ （可选） └── synchformer_state_dict.pth 3. 安装官方 Woosh 库（必须） 在 ComfyUI 的 Python 环境中执行：

下载 git clone https://github.com/SonyResearch/Woosh cd Woosh pip install -e . 📦 依赖 Python >= 3.8

PyTorch >= 2.0

torchvision（视频功能需要）

transformers, omegaconf, huggingface_hub（Woosh 库会自动安装）

🚀 节点使用说明 安装并放置好模型后，ComfyUI 节点列表中会出现以下三个节点（位于 audio/generation 分类）：

Woosh Text to Audio：文本生成音效。输入 prompt，设置时长（1-5 秒）、引导强度（推荐 4.5）。

Woosh Video to Audio：短视频生成同步音效。输入 ≤8 秒的视频，可选 prompt 辅助。

Woosh Long Video to Audio：长视频自动分段生成。自动切分视频，生成音频后无缝拼接，支持重叠过渡。

简单工作流示例

下载 [Load Video] → [Woosh Long Video to Audio] → [Save Audio MP3] 设置 segment_duration=8.0, overlap_duration=1.0

节点会自动分段生成并拼接，输出完整音频

⚠️ 注意事项 文本生成音频最大时长为 5 秒，超过会自动裁剪。

视频生成音频建议使用 ≤8 秒的短视频；长视频请使用 Woosh Long Video to Audio 节点。

首次运行视频节点会自动下载 synchformer_state_dict.pth（约 2.5 GB），请确保网络畅通或手动放置到 models/woosh/checkpoints/ 目录。

如果使用空提示词（不输入 prompt），节点会生成与画面匹配的默认音效（模型可能会输出随机人声，建议明确指定提示词）。

本节点修复了官方模型 description=None 的崩溃问题，无需额外操作。

模型权重版权归 Sony Research 所有，请遵守其开源协议。