Fish Audio：テキストから音声、ボイスクローン、音声からテキスト

Fish Audio は、テキストから音声、ボイスクローン、音声からテキストをカバーする音声 AI サービスです。ComfyUI では 4 つの partner ノード（Text to Speech、Speech to Text、Voice Selector、Instant Voice Clone）として提供されます。このページでは、用意されたワークフローテンプレートとノードの接続方法を説明します。インラインタグ（感情・トーン・ポーズ・音素）の完全なリファレンスは Fish Audio プロンプトガイド を参照してください。

​

ComfyUI で Fish Audio を使う

Fish Audio partner nodes は、ノードメニューの partner/audio/Fish Audio カテゴリにあります。4 つのノードがワークフローをカバーします：

• Fish Audio Text to Speech：テキストを音声に変換します。出力は AUDIO
• Fish Audio Speech to Text：音声をテキストに書き起こします。出力は text、language_code、segments_json
• Fish Audio Voice Selector：プリセット音声から選ぶか、custom で任意の fish.audio 音声モデルを入力します（https://fish.audio/m/<id>/ の ID）。出力は voice
• Fish Audio Instant Voice Clone：録音から非公開のクローン音声を作成します。出力は voice

​

モデルの選択

Text to Speech ノードの model パラメータには 2 つの選択肢があります：

• s2.1-pro（推奨）：0〜5 の拡張可能な音声入力で多話者に対応
• s1（legacy）：単一のオプション音声入力を受け付け、プロンプトガイドで説明する丸括弧の感情タグ構文を使用

​

音声の接続

Voice Selector または Instant Voice Clone の voice 出力を Text to Speech ノードに接続します。入力名はモデルによって異なります：s2.1-pro（推奨）は拡張可能な voices 入力（最大 5 スロット）、s1 は単一のオプション voice 入力を持ちます。音声が 1 つだけの場合、ノードは内部的に reference_id として渡します。2 つ以上接続する場合は、テキストで @Voice1、@Voice2 のように話者をマークし、接続したすべての音声がテキストに少なくとも 1 回登場する必要があります。詳細はプロンプトガイドの多話者対話を参照してください。

​

クローンの制限

Instant Voice Clone ノードは 1〜20 本の録音を受け付け、1 本あたり 10〜30 秒を推奨し、合計時間が 270 秒未満であることをハード的に検証します。enhance_audio_quality オプションはデフォルトで有効です。録音のコツはプロンプトガイドのボイスクローンの品質を参照してください。

​

アカウントと価格

これらのノードは ComfyUI アカウントへのサインインが必要で、利用量に応じて課金されます。ノードに表示される参考価格：テキストから音声は約 $21.45 / 1M バイトのテキスト、音声からテキストは$0.00858 / 分、ボイスクローンは無料です。

​

利用可能なワークフロー

3 つのテンプレートが Fish Audio の主要フローをカバーします：テキストから音声、ボイスクローンから音声、音声からテキスト。ComfyUI のテンプレートライブラリから開くか、Comfy Cloud で直接実行できます。ボイスクローンと音声からテキストのテンプレートには ComfyUI 0.34.0 以降が必要です。

​

Fish Audio: テキストから音声

プリセット音声でセリフから音声を生成します。プロンプトガイドのインラインタグをテキストに書き込み、Voice Selector で別のプリセットを選ぶか、クローン音声を接続してください。 入力素材 このファイルを該当するLoadAudioノードにアップロードしてください:

​

Fish Audio: ボイスクローンから音声

短い録音から声をクローンし、その声に任意のセリフを話させます。15〜20 秒のクリップを 2〜3 本録音し、LoadAudio ノードからアップロードする（または RecordAudio ノードで直接録音する）か、Instant Voice Clone の出力を Text to Speech ノードに接続してください。録音のコツはプロンプトガイドのボイスクローンの品質を参照してください。 入力素材 このファイルを該当するLoadAudioノードにアップロードしてください:

​

Fish Audio: 音声からテキスト

オーディオクリップをテキストに書き起こします。80 以上の言語を自動判別し、precise_timestamps を有効にするとセグメントごとの開始・終了時刻が JSON で返されるため、字幕作成に便利です。 入力素材 このファイルを該当するLoadAudioノードにアップロードしてください:

​

はじめに

1. ComfyUI を最新版に更新します
2. 上のワークフローテンプレートを開くか、ノードメニューの partner/audio/Fish Audio カテゴリから Fish Audio ノードを追加します
3. 表示されたら ComfyUI アカウントにサインインします
4. プロンプトガイドのインラインタグを使ってセリフを書きます
5. ワークフローを実行し、音声をプレビューまたは保存します