Fish Audio 提示词指南：在 ComfyUI 中撰写 Fish Audio TTS 提示词

Fish Audio TTS 通过直接写在文本里的内联标签，让你精确控制语音的听感。本指南涵盖模型理解的全部标签类别、放置位置以及组合方式。下面的示例可以直接在 Fish Audio Text to Speech 节点中使用。把它们输入 text 字段，替换成你自己的台词即可。节点连接、工作流模板与价格见 Fish Audio：文本转语音、声音克隆与语音转文本。

标签的工作方式

Fish Audio S2 模型可以理解写在方括号里的自然语言提示：

[happy] What a beautiful day!
[sad] I'm sorry to hear that.
[excited] This is amazing news!

这套系统有三个特点：

位置即语义。 标签从出现的位置生效，直到下一个标签或句尾。[whispering] I didn't want to go inside 会让整句耳语，而 I didn't want to go [whispering] inside 只从 “inside” 开始耳语。
自由描述也能用。 你不限于固定标签词表。能向配音演员描述的东西，都可以写进方括号：[tired, end of a long shift]、[voice rough from crying, trying to sound normal]、[professional broadcast tone]。
标签可以用你的语言写。 用和台词相同的语言写提示：[低声说] 不要让他们听见、[ため息をついて] もう一度やり直そう。

旧版 s1 模型使用相同的情绪名称，但用圆括号包裹且仅支持固定词表：(happy) What a beautiful day! 当前 s2.1-pro 模型接受方括号提示和自由描述。

情绪标签

基础情绪

标签	表达效果	常见场景
`[happy]`	开心、明快	好消息、问候
`[sad]`	忧郁、低落	同情、坏消息
`[angry]`	恼怒、有攻击性	抱怨、警告
`[excited]`	精力充沛、热情	公告、庆祝
`[calm]`	平和、放松	指导、冥想
`[nervous]`	焦虑、不安	免责声明、道歉
`[confident]`	自信、笃定	演讲、销售
`[surprised]`	震惊、惊奇	反应、发现
`[satisfied]`	满意、愉悦	确认、评价
`[delighted]`	非常高兴、欢喜	庆祝、赞美
`[scared]`	惊恐、害怕	警告、恐怖故事
`[worried]`	担心、忧虑	疑虑、提问
`[upset]`	不安、苦恼	抱怨、问题
`[frustrated]`	烦躁、恼火	技术故障、延误
`[depressed]`	悲伤、绝望	严肃话题
`[empathetic]`	理解、关怀	支持、疏导
`[embarrassed]`	羞愧、尴尬	道歉、失误
`[disgusted]`	反感、厌恶	差评
`[moved]`	感动	走心时刻
`[proud]`	自豪、满足	成就、表扬
`[relaxed]`	放松、随意	日常聊天
`[grateful]`	感激、感恩	致谢
`[curious]`	好奇、感兴趣	提问、探索
`[sarcastic]`	讽刺、嘲弄	幽默、批评

进阶情绪

标签	表达效果	常见场景
`[disdainful]`	蔑视、轻蔑	批评、拒绝
`[unhappy]`	不满、不悦	抱怨、反馈
`[anxious]`	非常担忧、不安	紧急事务
`[hysterical]`	情绪失控	极端反应
`[indifferent]`	冷漠、中立	中性回复
`[uncertain]`	迟疑、不确定	猜测、提问
`[doubtful]`	怀疑、质问	不信、追问
`[confused]`	困惑、不解	请求澄清
`[disappointed]`	失望、失落	期望落空
`[regretful]`	后悔、懊悔	道歉、失误
`[guilty]`	内疚、有责任	忏悔、道歉
`[ashamed]`	深感羞愧	严重错误
`[jealous]`	嫉妒、怨恨	比较
`[envious]`	羡慕、眼红	带渴望的欣赏
`[hopeful]`	对未来乐观	未来计划
`[optimistic]`	积极乐观	鼓励
`[pessimistic]`	消极悲观	警告、疑虑
`[nostalgic]`	怀念过去	回忆、故事
`[lonely]`	孤独、寂寞	情感内容
`[bored]`	无聊、厌倦	兴致缺缺
`[contemptuous]`	鄙视	强烈批评
`[sympathetic]`	表示同情	慰问
`[compassionate]`	深切关怀	支持、帮助
`[determined]`	坚决、下定决心	目标、承诺
`[resigned]`	认命、接受	放弃、接受现实

语气标记

语气标记控制音量、强度和重音。把 [emphasis] 放在要强调的词或短语前面：

This is [emphasis] really important.

标签	表达效果	使用场景
`[in a hurry tone]`	匆忙、急迫	时效性信息
`[shouting]`	大声、呼喊	引起注意
`[screaming]`	非常大声、惊慌	紧急情况、恐惧
`[whispering]`	很轻、隐秘	秘密、安静场景
`[soft tone]`	温柔、轻声	安抚、摇篮曲
`[emphasis]`	重读某个词或短语	强调关键词

音频效果

音频效果标签添加自然的人类声音。有建议文本的标签，请在其后补上对应的文本：

标签	描述	标签后建议文本
`[laughing]`	大笑	Ha, ha, ha
`[chuckling]`	轻笑	Heh, heh
`[sobbing]`	痛哭	可选文本
`[crying loudly]`	放声大哭	可选文本
`[sighing]`	如释重负或沮丧的叹息	sigh
`[groaning]`	沮丧的呻吟	ugh
`[panting]`	气喘吁吁	huff, puff
`[gasping]`	倒吸一口气	gasp
`[yawning]`	疲惫的哈欠	yawn
`[snoring]`	睡觉打鼾	zzz
`[clear throat]`	清嗓子	ahem

停顿与特殊效果

标签	描述
`[break]`	短暂停顿
`[long-break]`	长时间停顿
`[short pause]`	短促的间隔
`[long pause]`	长时间的沉默
`[audience laughing]`	观众笑声
`[background laughter]`	环境笑声
`[crowd laughing]`	人群大笑

普通停顿词不需要任何标签也能塑造节奏：“um”、“uh”、“嗯”、“啊”。

标签组合

生理反应标签配情绪标签。 [panting]、[whispering] 这类生理标签单独使用也能生效，但配上情绪标签效果更稳定、更自然：

[panting] [tired] I've been running for twenty minutes.
[whispering] [scared] Don't move. Don't make a sound.
[shouting] [angry] I told you this would happen!

叠加情绪表达复杂状态。 每句的组合不要超过三个标签：

[sad][whispering] I miss you so much.
[angry][shouting] Get out of here now!
[excited][laughing] We won! Ha ha!

用情绪转换写出跨句的情感递进：

[happy] I got the promotion!
[uncertain] But... it means relocating.
[sad] I'll miss everyone here.
[hopeful] Though it's a great opportunity.
[determined] I'm going to make it work!

添加背景效果营造氛围：

The comedy show was amazing [audience laughing]

用强度修饰词调节情绪强弱：

[slightly sad] I'm a bit disappointed.
[very excited] This is absolutely amazing!
[extremely angry] This is unacceptable!

最佳实践

推荐：

每句话只用一个主情绪
情绪与语境逻辑匹配
音效标签后补上文本，例如 [laughing] 后面写 “Ha ha”
拉开情绪变化的间隔，更真实
在同一个音色上测试不同组合

避免：

在短文本里滥用标签
一句话里混用冲突情绪
方括号里的描述写得过长、打断阅读
描述性标签后面不跟台词
把句级情绪提示放在离它控制的句子很远的地方

如果输出听起来不自然，可以拉开情绪变化间隔、降低强度，或换一个音色：同一个标签在不同音色上的效果不同。

多说话人对话

连接两个或更多音色到 Fish Audio Text to Speech 节点，然后在文本中用 @Voice1、@Voice2 等标记说话人切换。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。音色连接方式见 Fish Audio：文本转语音、声音克隆与语音转文本。

@Voice1 [nervous] You're sure no one followed you?
@Voice2 [calm] Relax. I took the long way, exactly like you asked.
@Voice1 [sighing][relieved] Good. Then let's see what's inside.
@Voice2 [curious] You don't even know what it is?

音素控制

音素标签可以为名字、多音字、缩写和技术术语指定精确发音。把替换发音包在 <|phoneme_start|> 和 <|phoneme_end|> 标签里。音素标签不会被文本规范化改写，所以保持 normalize 开启即可。英文（CMU Arpabet，替换单个单词）：

I am an <|phoneme_start|>EH1 N JH AH0 N IH1 R<|phoneme_end|>.

中文（带声调拼音，替换单个字或音节，适合多音字和人名地名）：

我是一个<|phoneme_start|>gong1<|phoneme_end|><|phoneme_start|>cheng2<|phoneme_end|><|phoneme_start|>shi1<|phoneme_end|>。

日文（OpenJTalk 风格 romaji 加音高重音数字）：

<|phoneme_start|>ha0shi1ga0<|phoneme_end|>見えます。

音素控制可以和其他标签在同一文本中组合使用：

I am, um, an [break] <|phoneme_start|>EH1 N JH AH0 N IH1 R<|phoneme_end|>.

参数调节

默认值已经调得很好，只在需要时调整：

参数	默认值	作用
`temperature`	0.7	表现力。越高越多变，越低越稳定
`top_p`	0.7	核采样多样性
`speed`	1.0	语速，0.5 到 2.0
`volume`	0.0	音量调节（分贝），-10 到 10
`normalize`	true	展开数字和日期以便自然朗读。除非规范化改写了你想逐字朗读的内容，否则保持开启

seed 只控制节点是否重跑；无论 seed 值是多少，结果都是非确定性的。

声音克隆质量

对 Fish Audio Instant Voice Clone 节点来说，参考录音的质量决定克隆效果。录音时长限制见 Fish Audio：文本转语音、声音克隆与语音转文本：

录 2 到 3 段、每段 15 到 20 秒的音频，总共不超过 270 秒
只有一个说话人，音量平稳，语气和情绪一致
句间留小停顿，约半秒
安静的房间，麦克风离嘴约一个手掌宽
手机录音或耳麦都可以；避免背景音乐、电视声和回声

如果克隆出来的声音很机械，录更多的素材（总共 30 到 60 秒），自然地讲话并留出停顿。只克隆你有权使用的声音：你自己的声音，或获得明确授权的人的声音。

开始使用

Agent Tools / MCP

基础概念

界面指南

教程

合作伙伴节点

Fish Audio 提示词指南：在 ComfyUI 中撰写 Fish Audio TTS 提示词

标签的工作方式

情绪标签

基础情绪

进阶情绪

语气标记

音频效果

停顿与特殊效果

标签组合

最佳实践

多说话人对话

音素控制

参数调节

声音克隆质量

参考资料

​标签的工作方式

​情绪标签

​基础情绪

​进阶情绪

​语气标记

​音频效果

​停顿与特殊效果

​标签组合

​最佳实践

​多说话人对话

​音素控制

​参数调节

​声音克隆质量

​参考资料

标签的工作方式

情绪标签

基础情绪

进阶情绪

语气标记

音频效果

停顿与特殊效果

标签组合

最佳实践

多说话人对话

音素控制

参数调节

声音克隆质量

参考资料