Fish Audio：文本转语音、声音克隆与语音转文本

Fish Audio 是覆盖文本转语音、声音克隆和语音转文本的语音 AI 服务。在 ComfyUI 中它以四个 partner 节点的形式提供：Text to Speech、Speech to Text、Voice Selector 和 Instant Voice Clone。本页讲解现成的工作流模板和节点连接方式。完整的内联标签参考（情绪、语气、停顿、音素）见 Fish Audio 提示词指南。

​

在 ComfyUI 中使用 Fish Audio

Fish Audio partner nodes 可以在节点菜单的 partner/audio/Fish Audio 分类下找到。四个节点覆盖完整工作流：

• Fish Audio Text to Speech：把文本转成语音，输出 AUDIO
• Fish Audio Speech to Text：把音频转写成文本，输出 text、language_code 和 segments_json
• Fish Audio Voice Selector：从预设音色中选择，或通过 custom 填入任意 fish.audio 音色模型（即 https://fish.audio/m/<id>/ 中的 ID），输出 voice
• Fish Audio Instant Voice Clone：从录音克隆私有音色，输出 voice

​

选择模型

Text to Speech 节点的 model 参数有两个选项：

• s2.1-pro（推荐）：通过 0 到 5 路可扩展的音色输入支持多说话人
• s1（legacy）：接受单个可选音色输入，使用提示词指南中介绍的圆括号情绪标签语法

​

连接音色

Voice Selector 或 Instant Voice Clone 的 voice 输出连接到 Text to Speech 节点。输入名称取决于所选模型：s2.1-pro（推荐）提供可扩展的 voices 输入（最多 5 路音色），s1 则是单个可选的 voice 输入。只连接一个音色时，节点内部把它作为 reference_id 传递。连接两个或更多时，文本中必须用 @Voice1、@Voice2 等标记说话人，且每个已连接的音色都必须在文本中至少出现一次，否则节点会报错。详见提示词指南的多说话人对话。

​

克隆限制

Instant Voice Clone 节点接受 1 到 20 段录音，建议每段 10 到 30 秒，并硬性校验总时长必须小于 270 秒。enhance_audio_quality 选项默认开启。录制技巧见提示词指南的声音克隆质量。

​

账户与价格

这些节点需要登录 ComfyUI 账户，按用量计费。节点上标注的参考价格：文本转语音约 $21.45 / 1M 字节文本，语音转文本$0.00858 / 分钟，声音克隆免费。

​

可用工作流

三个现成模板覆盖 Fish Audio 的主要流程：文本转语音、声音克隆转语音、语音转文本。可在 ComfyUI 的模板库中打开，或直接在 Comfy Cloud 上运行。声音克隆和语音转文本模板需要 ComfyUI 0.34.0 或更高版本。

​

Fish Audio：文本转语音

使用预设音色把你的台词生成为语音。按照提示词指南的写法在文本中加入内联标签，然后在 Voice Selector 中换一个预设音色，或连接克隆音色。 输入材料 将该文件上传到对应的 LoadAudio 节点：

​

Fish Audio：声音克隆转语音

从一段短录音克隆音色，然后让它朗读任何台词。录制 2 到 3 段、每段 15 到 20 秒的音频，通过 LoadAudio 节点上传（或直接在 RecordAudio 节点中录制），并把 Instant Voice Clone 的输出连接到 Text to Speech 节点。录制技巧见提示词指南的声音克隆质量。 输入材料 将该文件上传到对应的 LoadAudio 节点：

​

Fish Audio：语音转文本

把音频片段转写为文本。自动检测 80 种以上语言，开启 precise_timestamps 后会以 JSON 返回每个片段的起止时间，适合做字幕。 输入材料 将该文件上传到对应的 LoadAudio 节点：

​

开始使用

1. 将 ComfyUI 更新到最新版本
2. 打开上方的工作流模板之一，或从节点菜单的 partner/audio/Fish Audio 分类添加 Fish Audio 节点
3. 按提示登录 ComfyUI 账户
4. 按照提示词指南用内联标签编写台词
5. 运行工作流，预览或保存音频