Irodori TTS for ComfyUI
Japanese speech generation with Irodori TTS, ordered reference audio, and audio export for ComfyUI.
ComfyUI-IrodoriTTS
日本語 | English
Irodori-TTS-v4.1-SmallとIrodori-TTS-v4-Large、および両モデルの公式量子化版に対応するComfyUIカスタムノードです。
ComfyUI V3 API(ComfyExtension / io.ComfyNode / define_schema)形式で実装しています。
| mode | 入力 |
| --- | --- |
| text | 読み上げテキスト |
| text_caption | 読み上げテキスト+キャプション(参照音声不要) |
| text_reference | 読み上げテキスト+参照音声 |
| text_caption_reference | 読み上げテキスト+キャプション+参照音声 |
| text_speaker | 読み上げテキスト+Speaker Inversion |
| text_caption_speaker | 読み上げテキスト+キャプション+Speaker Inversion |
日本語の音声を48 kHz・モノラルのComfyUI AUDIOとして出力します。
参照音声の書き起こしは不要です。学習済みのSpeaker InversionとLoRAの推論時の適用に対応します。学習とモデルを量子化する処理は含みません。
表示言語
標準表示は英語です。ComfyUIの設定 → Locale → Languageで「日本語」を選ぶと、ノード名、項目名、説明、絵文字パネル、参照音声の選択・並べ替え、メモリ解放ボタンと状態表示が日本語になります。その他の言語は英語へフォールバックします。言語変更は表示中の独自パネルにも反映します。
読み上げテキスト、キャプション、モデル名、ファイル名、ワークフローの入力キーは変更しません。Python側のエラー文は英語です。標準HTML音声プレーヤー内部の再生・音量などの操作名はブラウザー側の言語設定に従います。
ノード定義の翻訳はlocales/en/nodeDefs.jsonとlocales/ja/nodeDefs.json、独自UIの言語判定はweb/i18n.jsで管理します。
インストール
必要な環境
- Python 3.10以上で動作するComfyUI
- V3 API(
comfy_api.latest)のMultiCombo・MultiTypeに対応するComfyUI - Git(リポジトリと依存パッケージの取得に使用)
- GPUで生成する場合はCUDA対応のPyTorchとNVIDIA GPU。通常版はCPUでも実行できますが、生成に時間がかかります。
- 量子化版を使用する場合は、後述する量子化方式ごとのGPU要件を満たす環境
以下のComfyUI/は、main.pyとcustom_nodes/があるComfyUI本体のディレクトリを指します。実際のインストール先に読み替えてください。
カスタムノードと依存パッケージの配置
-
ComfyUI本体のディレクトリから以下を実行し、
custom_nodes/へリポジトリを取得します。cd custom_nodes git clone https://github.com/hybskgks28275/ComfyUI-IrodoriTTS.git cd ComfyUI-IrodoriTTSダウンロードしたZIPを展開する場合は、
ComfyUI/custom_nodes/ComfyUI-IrodoriTTS/直下に__init__.pyとrequirements.txtがある構成にしてください。 -
ComfyUIが使用しているPython環境 で、カスタムノードのディレクトリから以下を実行します。venvを使用している場合は、その環境を有効にしてから実行してください。
python -m pip install -r requirements.txt
公式量子化モデルも使用する場合は、追加で以下を実行します。
python -m pip install -r requirements-quantized.txt
LoRAを使用する場合は、追加で以下を実行します。Speaker Inversionだけを使用する場合は不要です。
python -m pip install -r requirements-lora.txt
Windowsポータブル版では、ポータブル版のルート(python_embeded/とComfyUI/があるディレクトリ)から同梱Pythonを指定できます。
./python_embeded/python.exe -m pip install -r ./ComfyUI/custom_nodes/ComfyUI-IrodoriTTS/requirements.txt
# 量子化モデルを使用する場合のみ
./python_embeded/python.exe -m pip install -r ./ComfyUI/custom_nodes/ComfyUI-IrodoriTTS/requirements-quantized.txt
# LoRAを使用する場合のみ
./python_embeded/python.exe -m pip install -r ./ComfyUI/custom_nodes/ComfyUI-IrodoriTTS/requirements-lora.txt
インストール後はComfyUIを再起動し、ブラウザーを再読み込みしてください。
使用方法
サンプルワークフローは、このリポジトリのexamples/にあります。使用したいJSONファイルをComfyUIの画面へドラッグ&ドロップするか、ワークフローを開く機能で読み込んでください。
すべてのサンプルは通常版Irodori-TTS-v4.1-Smallを使用し、生成音声をIrodori TTS Save Audioで保存・試聴します。
以下の説明では入力キーを使用し、ボタン名は英語表示と日本語表示を併記します。
Generateノードではtext → Show emojis(絵文字を表示) → model_nameの順に配置しています。 Show emojis(絵文字を表示) を押すと、ノードの右側に別パネルが開き、45種類の絵文字を表示言語に応じたラベル付きで選択できます。ノードのサイズは変わりません。初期状態では一覧を非表示にしています。
text欄で挿入位置をクリックしてから絵文字ボタンを押すと、その位置へ挿入します。選択中の文字がある場合は置換し、位置を指定していない場合は末尾へ追加します。連続入力と、text欄のCtrl+Zによる取り消しにも対応します。
Hide emojis(絵文字を隠す) 、パネルの Close(閉じる) 、またはEscキーで一覧を閉じられます。パネルはノードの移動・ズームに追従し、画面端では画面内へ位置を調整します。クラシック表示/Nodes 2.0の両方に対応しています。
| ワークフロー | 用途 |
| --- | --- |
| 01_text.json | テキストのみ |
| 06_text_caption.json | テキスト+キャプション(音声不要) |
| 02_text_reference.json | テキスト+参照音声(1件/複数件) |
| 03_text_caption_reference.json | テキスト+キャプション+参照音声(1件/複数件) |
| 07_text_speaker.json | テキスト+Speaker Inversion(埋め込みファイルを選択) |
| 08_text_caption_speaker.json | テキスト+キャプション+Speaker Inversion(埋め込みファイルを選択) |
04_multi_reference.json/05_multi_caption_reference.jsonは複数参照音声用の例です。02/03と同じ統一入力を使います。
- 使用するワークフローを開き、
textに読み上げる日本語を入力します。 - キャプションを使うモードでは
captionに「穏やかに、少し楽しそうに話す」などの話し方を入力します。 - 参照モードでは下記のローダーで音声ファイルを選択します。
Irodori TTS Save Audioの保存先・ファイル名・形式を指定して実行します。音声は保存され、同じノード内で試聴できます。
参照音声の選択(1件/複数件共通)
音声をComfyUIの入力ディレクトリ内のirodori_references/へ配置してください。標準構成ではComfyUI/input/irodori_references/です。フォルダーがない場合は作成してください。
Irodori TTS Load Reference Audios のfilesを開き、一覧のチェックボックスで1件または複数件を選択します。
Nodes 2.0では Select reference audio (multiple files allowed)(参照音声を選択・複数可) を開きます。ファイル名で絞り込み、チェックボックスで選択できます。
サブフォルダー内の音声も一覧に表示されます。ファイルを追加したら Refresh audio file list(音声ファイル一覧を更新) を押してください。
選択を外すと参照対象から除外されます。ファイル自体は削除しません。
選択した音声は Reference order (top to bottom)(参照順序・上から使用) に番号付きで表示されます。各行の ↑/↓ で並べ替えられます。
上から1番、2番…の順に連結して参照に使用します。変更した順序はワークフローに保存され、再読み込み後も維持されます。
新しく選択した音声は末尾に追加され、選択を外した音声は順序一覧からも除外されます。
ローダー出力を生成ノードの reference_audio へ接続します。1件/複数件で入力端子を分けません。
標準のLoad AudioのAUDIO出力も、この同じ端子へ接続できます。
各ファイルを個別にモノラル化・音量正規化・エンコードし、参照潜在表現を指定順に結合します。
異なる長さやサンプルレートを混在できます。公式ランタイムと同じ合計120秒の参照上限を使用します。
選択済みファイルが削除された場合はエラーで通知し、別のファイルに自動置換しません。
ノード検索名は Irodori TTS Generate 、カテゴリはaudio/Irodori TTSです。
model_nameでIrodori-TTS-v4.1-Small/Irodori-TTS-v4-Largeまたは各量子化版を選択します。
既定のモデルはIrodori-TTS-v4.1-Smallです。どちらのモデルも6つの生成モードに対応します。
Largeはモデルファイル約13.2 GB、BF16の重みだけで約6.1 GiBを使用します。
VRAMを節約する場合は、対応GPUでprecision=bf16・codec_device=cpuを使用できます。FP32では重みだけで約12.3 GiBとなり、
VRAMに収まらない場合はDynamic VRAMによる転送・退避が必要です。
公式量子化モデル
model_nameで、例えばIrodori-TTS-v4-Large-Quantized/int8-weight-onlyを選択します。
Smallも同様にIrodori-TTS-v4.1-Small-Quantized/種類を選べます。
量子化版はCUDA専用で、precisionの表示値にかかわらずBF16で計算します。
通常版ではprecisionで計算精度を指定します。
| 種類 | 特徴 | 必要なGPU |
| --- | --- | --- |
| int8-weight-only | INT8重み、BF16計算。公式の汎用推奨版 | BF16対応NVIDIA CUDA |
| int8-dynamic | INT8重みと動的INT8活性値 | BF16対応NVIDIA CUDA |
| int4-weight-only | INT4重み、BF16計算。最小サイズ | Ampere以降(CC 8.0以上) |
| float8-weight-only | FP8重み、BF16活性値 | Ada以降(CC 8.9以上) |
| float8-dynamic | FP8重みと動的FP8活性値 | Ada以降(CC 8.9以上) |
量子化方式のGPU要件を満たさない場合やCPUを指定した場合は、モデル取得前に理由を表示します。
量子化版でも6モード・複数参照・順序指定・モデル再利用・任意アンロードを使用できます。
モデルの種類や量子化方式を変えると、保持中のモデルを解放して切り替えます。
量子化方式による生成速度はGPUや実行環境によって異なります。量子化版を使用する場合は、サンプルのmodel_nameを使用したい量子化モデルへ変更してください。FP8の実生成は未検証です。
以下は通常版と共通の入力条件です。
textとtext_captionでは参照音声を使用しません。textとtext_referenceではcaptionを使用しません。
参照モードで音声未接続、またはキャプションを使うモードでcaptionが空の場合は入力エラーになります。
Speaker InversionとLoRA
学習済みファイルを、次のように配置してください。選択肢にはサブフォルダーも表示されます。追加したファイルを選ぶにはComfyUIのノード定義を更新するか、ComfyUIを再起動してブラウザーを再読み込みしてください。
ComfyUI/models/irodori_tts/
speakers/
MyVoice/checkpoint_final.speaker.safetensors
loras/
MyAdapter/
adapter_config.json
adapter_model.safetensors
Speaker Inversionを使う場合はmode=text_speakerまたはtext_caption_speakerとし、speaker_embeddingでファイルを選択します。後者ではcaptionも入力します。参照音声の代わりに話者埋め込みを使用するため、reference_audioは接続しないでください。cfg_referenceで話者条件の誘導強度を調整できます。speaker_uncond_modeは既定のmaskとnoiseから選択でき、話者条件のない側のCFG計算方式を指定します。その他のモードではspeaker_embeddingを使用しません。
LoRAはすべてのモードでlora_adapterから1つ選択でき、Speaker Inversionとの併用も可能です。公式Irodori-TTSで出力したPEFT形式のフォルダーを使用します。lora_strengthは0~2で指定し、1が学習時のスケール、0ではアダプター全体を適用しません。noneを選択した場合もベースモデルを使用します。重みの形式はadapter_model.safetensorsに対応します。
どちらも学習に使用したベースモデルと対応するものを選んでください。Small用をLargeへ適用するなど、構造が異なる組み合わせには対応しません。同じ構造でも異なるベースモデルでの品質は保証されません。
LoRAは重みにマージせずに適用するため、通常版と公式量子化版の両方で使用できます。Dynamic VRAMではLoRAを含む重みを管理します。LoRAの選択・強度・ファイル更新時はモデルを再ロードし、同じ設定では保持したモデルを再利用します。Speaker Inversionは生成ごとに読み込むため、埋め込みの切り替えでベースモデルを再ロードしません。どちらもメモリ解放ボタンと生成後のアンロードに対応します。
主な設定
| 設定 | 初期値/動作 |
| --- | --- |
| steps | 40。拡散のステップ数 |
| seed | 0。同じ入力・実行環境・seedで再現。右側の生成後動作で固定/ランダムを選択 |
| cfg_text | 3.0。読み上げテキストの誘導強度 |
| cfg_reference | 5.0。参照音声の誘導強度 |
| cfg_caption | 3.0。captionの誘導強度 |
| seconds | 0で自動予測。正の値で生成する秒数を指定(UI上限30秒) |
| duration_scale | 1.0。自動予測の長さを倍率調整。seconds指定時は使われません |
| device | autoでCUDAを優先、CUDAがなければCPU |
| precision | fp32。bf16も選択可能(対応CUDA GPUのみ。量子化ではありません) |
| codec_device | cpu。参照音声のエンコード/生成音声のデコードをCPUで行いVRAMを節約 |
| allow_download | true。不足したモデルファイルを実行時に取得 |
| unload_after_generate | false。モデルを保持して次回の生成に再利用。trueで生成後に解放 |
| model_name | Irodori-TTS-v4.1-Small。Small/Largeを選択 |
| dynamic_vram | true。ComfyUI本体のDynamic VRAMが有効なCUDA環境では、TTSモデルの重みを必要に応じて転送・退避 |
| split_rare_tokens | true。Smallのまれな長いトークンを分割し、読み間違いを抑えるための設定。入力文自体は変更せず、Largeには適用しません。変更時はモデルを再ロード |
| length_check | false。v4.1-Smallで seconds=0 の場合、読み終わりから音声長を推定し、必要なら同じシードで短く再生成します。再生成や再試行がある場合は処理時間が増えます。 |
生成ノードの数値入力は、クラシック表示の左右矢印、Nodes 2.0の−/+を押し続けると連続して増減します。 短いクリックは1段階、約0.35秒の長押し後は約0.075秒ごとに1段階変更します。 整数・小数それぞれの刻み幅と上下限を守り、ボタンを離す、矢印から外れる、Escapeを押す、または画面のフォーカスが外れると停止します。 数値の直接入力と中央からのドラッグ操作も使えます。Irodori TTS生成ノードだけに適用し、クラシック表示とNodes 2.0の両方に対応します。
長文の自動分割は実装していません。長い原稿は文単位などに分けてください。 テキストのトークン長、参照上限、末尾のトリミング、音量正規化は公式推論の設定に従います。 各参照音声は1バッチのみ、ステレオは平均してモノラル化し、サンプルレートは公式コーデック側で変換します。 公式モデルの参照上限は120秒です。参照の短さやcaptionとの矛盾は音声品質に影響します。
本ノードはデフォルトでTTSモデルとコーデックを保持し、
同じmodel_name・device・precision・codec_device・実際のDynamic VRAM使用状態・LoRA設定での次回生成に再利用します。text・seed・mode・参照音声・caption・話者埋め込みを変えてもモデルの再ロードは不要です。
キャッシュはノード間で共有する1セットだけで、モデル・デバイス・精度を変えた場合は古いモデルを解放してからロードします。
unload_after_generate=trueでは保持済みモデルも利用したうえで生成後に解放します。推論エラー・キャンセル時もキャッシュを破棄します。
参照音声のエンコード結果は、保持中のランタイム内で直近32組までCPUメモリにキャッシュします。音声内容・サンプルレート・順序と正規化・長さ制限が同じ場合は、次回の生成で再エンコードを省略します。入力元のファイル名が変わっても音声内容が同じなら再利用でき、音声を編集すると再計算します。モデルの切り替え・メモリ解放・生成後のアンロードでこのキャッシュも破棄します。
Generateノード下部の Release memory(メモリ解放) ボタンでも、生成せずに保持中のTTSモデルとコーデックを解放できます。 クラシック表示・Nodes 2.0の両方に対応し、全Irodori Generateノードで共有しているキャッシュが対象です。 生成済みの音声は残り、次回の実生成ではモデルを再ロードします。生成・読み込み中は解放せず案内を表示するため、 完了またはキャンセル後に押してください。解放中・完了・保持なし・失敗の結果をボタン下に表示します。
Dynamic VRAM使用時は、TTS本体とテキスト/captionエンコーダーをCPU上で準備し、ComfyUIのModelPatcherDynamicで管理します。
通常版と量子化版の両方が対象で、量子化された重みは圧縮形式を維持して転送します。他モデルの一括アンロードは行わず、
ComfyUIがVRAMの空きに応じて重みを退避します。退避後もモデルファイルを読み直さず再利用できます。
コーデックはこの管理の対象外で、codec_deviceで指定したデバイスに配置します。VRAMを節約する場合は既定のcpuを使用してください。
CPU側にはモデルを保持するためRAMが必要です。Dynamic VRAMも、すべての入力でメモリ不足を防ぐものではありません。
ComfyUI起動ログのDynamicVRAM support detected and enabledで本体の有効状態を確認できます。
dynamic_vram=false、本体で無効、またはCPU実行の場合はDynamic VRAMを使用しません。この場合は生成前にComfyUI管理の他モデルをアンロードし、
TTSモデルはComfyUIの自動退避の対象外となります。保持したTTSとコーデックはRelease memory(メモリ解放)ボタン、またはunload_after_generate=trueで解放できます。
ノードの設定だけでComfyUI本体のDynamic VRAMを有効化することはありません。
キャンセルはサンプリングの各ステップと推論の段階間で確認します。
モデルのダウンロード/ロードとコーデックの処理中は、その処理が戻るまでキャンセルが反映されない場合があります。
Attentionの設定
マスク付きAttentionは公式のSDPA優先順位を使用し、対応環境では任意のFlashAttention-3も使用できます。追加のAttentionパッケージのインストールは必須ではありません。 Generateノードの Attentionバックエンド で、生成ごとに方式を選択できます。
| 設定 | 動作 |
| --- | --- |
| auto(既定) | 対応する処理ではFlashAttention-3、その他はPyTorch SDPAを使用します。 |
| sdpa | PyTorch SDPAを使用します。 |
| comfy_kitchen | 対応GPUとマスク対応版のcomfy-kitchenがある場合にINT8 Attentionを使用します。利用できない場合はSDPAに切り替わります。 |
AttentionのINT8化はモデルの通常版・量子化版の選択と独立しています。バックエンドを切り替えてもモデルは再ロードされません。生成結果や速度はGPU・入力長・バックエンドにより変わる場合があります。可変長の入力でcuDNNの初回処理が遅い場合は、起動前に IRODORI_SDPA_CUDNN=0 を設定すると、マスク付きSDPAの候補からcuDNNを外せます。
同梱ランタイムのsynthesize_batchは、互換性のある複数リクエストを、異なる長さ・seedでまとめて生成できます。Generateノードは1回の実行で1件を生成し、複数のGenerateノードの実行を自動的にまとめるものではありません。
モデル配置とネットワーク
通常の配置先は以下です。
ComfyUI/models/irodori_tts/
Irodori-TTS-v4.1-Small/
model.safetensors
tokenizer/tokenizer.json
tokenizer/tokenizer_config.json
Irodori-TTS-v4-Large/
model.safetensors
tokenizer/tokenizer.json
tokenizer/tokenizer_config.json
Irodori-TTS-v4-Large-Quantized/
int8-weight-only/model.safetensors
int4-weight-only/model.safetensors
tokenizer/tokenizer.json
tokenizer/tokenizer_config.json
Irodori-TTS-v4.1-Small-Quantized/
int8-weight-only/model.safetensors
tokenizer/tokenizer.json
tokenizer/tokenizer_config.json
Semantic-DACVAE-Japanese-32dim/
weights.pth
モデルの保存先はComfyUIが使用するモデルディレクトリのirodori_tts/です。モデルディレクトリを移動・リンクしている場合は、その設定に応じた場所に保存されます。
初回取得はSmall+コーデックで合計約3.5 GB。Largeを選択した場合はLargeの重み約13.2 GBと同梱トークナイザーを取得します。
選択したモデルだけをダウンロードし、コーデックは共通のファイルを使用します。モデル・コーデックは固定リビジョンから取得します。
量子化版も選択したサブフォルダーの重みだけを取得し、トークナイザーは同じモデルの各量子化方式で共有します。
量子化モデルの重みはSmallで約813~906 MiB、Largeで約2,818~3,665 MiBです。
配置済みなら本ノードのモデル解決処理はネットワークアクセスしません。allow_download=falseで不足時もダウンロードを禁止できます。
参照音声はローカルの一時WAVとして処理後に削除します。外部へ送信しません。
SilentCipherは必須依存に含めていません。未導入時は公式ランタイムが警告を出し、透かしなしで生成します。 別途導入済みの環境では公式ランタイムがSilentCipherを利用し、そのモデルを初回取得する場合があります。
検証
ComfyUIが使用するPython環境を有効にし、このリポジトリのディレクトリから実行します。<ComfyUI本体のパス>はmain.pyがあるディレクトリの絶対パスに置き換えてください。
PowerShellの場合:
$comfyRoot = '<ComfyUI本体のパス>'
$env:PYTHONPATH = $comfyRoot
python -m unittest discover -s tests -p 'test_*.py'
python tests/smoke_generate.py --comfy-root "$comfyRoot" --output-dir ./work/smoke
python tests/smoke_dynamic_vram.py --comfy-root "$comfyRoot" --model-name Irodori-TTS-v4.1-Small --output-dir ./work/dynamic-smoke
Bashの場合:
comfy_root='<ComfyUI本体のパス>'
PYTHONPATH="$comfy_root" python -m unittest discover -s tests -p 'test_*.py'
python tests/smoke_generate.py --comfy-root "$comfy_root" --output-dir ./work/smoke
python tests/smoke_dynamic_vram.py --comfy-root "$comfy_root" --model-name Irodori-TTS-v4.1-Small --output-dir ./work/dynamic-smoke
ポータブル版などvenvを有効にしない構成では、pythonをComfyUIが使用するPython実行ファイルに置き換えてください。PowerShellで引用符付きの実行ファイルパスを使う場合は、先頭に&を付けて呼び出します。スモークテストは実際にモデルをロードして音声を生成するため、モデルファイルと十分なメモリが必要です。Dynamic VRAM用テストには対応するCUDA環境が必要です。
スモークテストでは4モードを実行し、48 kHzの非無音・有限値のAUDIO出力を検証します。 参照テストは最初の合成音声を24 kHz・ステレオ化して使用します。 Dynamic VRAM用テストでは、CPU準備・GPU生成・重みの退避・モデルの再利用・生成後の解放を確認します。
Speaker Inversion・LoRAの構造的な動作確認には、次を実行できます。Small通常版の重みが必要です。--quantizedを付ける場合はSmallのint8-weight-only重みも配置してください。
python tests/smoke_personalization.py --comfy-root "<ComfyUI本体のパス>" --output-dir ./work/personalization
このテストは合成した話者埋め込みとLoRAを出力先フォルダー内に作成し、生成・キャッシュ再利用・重み退避後の再生成・解放を確認します。学習済み話者の声質再現を評価するものではありません。対応するCUDA環境とrequirements-lora.txtの依存パッケージが必要です。
出典・ライセンス
- 公式モデル
- Large公式モデル(モデルライセンス:Gemma)
- Small公式量子化モデル(MIT)
- Large公式量子化モデル(Gemma)
- 公式推論コード
- 音声コーデック
ノードのコードはMITライセンスです。同梱コードの出典・変更点はTHIRD_PARTY.mdに記載しています。
モデルと依存ライブラリはそれぞれのライセンス・モデルカードに従います。
音声の保存・試聴
Irodori TTS Save AudioへGenerateのaudioを接続します。保存後はノード内のプレーヤーで試聴でき、音声出力を別ノードへ接続することもできます。試聴は標準HTMLの<audio controls>を使用し、プレーヤー内で再生・シーク・音量・ミュートを操作できます。独立した音量スライダーは表示しません。音量操作は再生音量だけに反映し、保存ファイル・AUDIO出力には影響しません。クラシック表示/Nodes 2.0とも同じHTMLプレーヤーを使用します。音量操作の表示方法はブラウザーとプレーヤーの幅によって変わります。examples/内のすべてのサンプルに保存ノードを接続しています。
| 設定 | 内容 |
| --- | --- |
| filename_prefix | ファイル名の接頭辞。既定値 Irodori_{yyyymmddhhmmss} |
| directory | ComfyUIのoutput/audioからの相対ディレクトリ。既定値 {yyyymmdd}。空欄なら直下、project/{yyyymmdd}のような階層も指定可能 |
| format | wav / mp3 / flac |
| bitrate | MP3の64/96/128/160/192/256/320 kbps。WAV・FLACでは使用しません |
| bit_depth | WAV・FLACの16/24bit。MP3では使用しません |
ファイル名とディレクトリの{yyyymmddhhmmss}・{yyyymmdd}・{hhmmss}を、保存ノードが実行された時点のローカル日時へ置換します。波括弧なしの同じ文字列も置換できます。バッチ内は同じ日時を使用します。
例:output/audio/20260929/Irodori_20260929153045_00001.wav。既存ファイルを上書きせず、連番を増やして保存します。
WAVのビットレートはサンプルレート・チャンネル数・ビット深度から決まり、FLACでは音声内容によって変わるため、固定ビットレート指定はMP3のみです。サンプルレートとチャンネル数は入力を維持します。MP3は対応レート(8~48 kHzの標準レート)のみ使用でき、32 kHz未満は160 kbps以下を指定してください。モノラル/ステレオと音声バッチに対応しています。 同じ入力を再実行した際、ComfyUIのキャッシュにより保存が省略される場合があります。再保存するには接頭辞などの入力を変更してください。
音声の保存にはComfyUIに付属するPyAVとrequirements.txtに含まれるsoundfileを使用します。
モデル一覧を手動で追加・変更する
カスタムノード直下のmodels.jsonを編集し、 ComfyUIを再起動してブラウザーを再読み込み してください。Generateのmodel_nameはこのファイルのmodels順に表示されます。Pythonコードの変更は不要です。
通常版はmodels配列へ次のような項目を追加します(URLは使用する実際のリポジトリに置き換えてください)。
{
"model_name": "My-Irodori-Model",
"url": "https://huggingface.co/OWNER/REPOSITORY"
}
model_name:ノードの選択名兼ローカル保存フォルダー名。既存の名前と重複させず、/や\は含めないでください。url:Hugging FaceモデルリポジトリのトップURL。/tree/mainやファイルのURLは使用しません。revision(省略可能):コミットID・タグ・ブランチ。省略時はmain。同梱のモデル設定では固定のコミットIDを指定しています。default_model:既定の選択名。量子化版を既定にする場合は展開後のモデル名/方式を指定します。
量子化版にはvariantsを追加します。
{
"model_name": "My-Irodori-Quantized",
"url": "https://huggingface.co/OWNER/REPOSITORY",
"revision": "main",
"variants": ["int8-weight-only", "int8-dynamic", "int4-weight-only"]
}
対応方式はint8-weight-only、int8-dynamic、int4-weight-only、float8-weight-only、float8-dynamicです。指定した方式のみがMy-Irodori-Quantized/int8-weight-onlyのように表示されます。
追加するモデルは、このノードのIrodoriランタイムと互換性が必要です。通常版はリポジトリ直下にmodel.safetensors、量子化版は方式/model.safetensors、両方ともtokenizer/が必要です。任意のTTSモデルや、異なる構造の新バージョンが自動的に使えるわけではありません。
取得先はmodels/irodori_tts/<model_name>/です。必要なファイルが揃っている場合は再取得しないため、URLやrevisionを変更して別の重みを使う場合は、新しいmodel_nameで追加してください。共通コーデックのURLとrevisionはcodec項目で指定します。通常は変更不要です。
設定の形式・名前の重複・未対応方式などに問題がある場合は、起動ログにmodels.jsonのパスと理由を表示します。JSONではコメントや末尾の余分なカンマは使用できません。
ソースの配置
__init__.py:ComfyUIが読み込む入口とWebディレクトリの指定src/nodes/:生成・参照音声読み込み・音声保存のノード実装src/modules/:モデル設定読み込み、量子化、Dynamic VRAM、HTTPルートなどの補助コードsrc/modules/vendor/:同梱したIrodori推論ランタイムとライセンスweb/:JavaScriptによるノードUIlocales/:英語・日本語のノード定義翻訳models.json:手動編集するモデル一覧tests/:テスト・動作確認用Python/JavaScriptexamples/:サンプルワークフロー