ComfyUI 中的 HeyGen Voice 1.0：声音克隆与文本转语音

HeyGen Voice 1.0 可以把一段单人录音变成一个可复用的音色，然后用这个音色朗读任意文本。整个过程不需要等待训练：克隆直接由你接入的片段生成，返回的 voice_id 就是文本转语音节点所需的全部输入。它适用于用本人声音做旁白、角色对白以及多语言配音。 在 ComfyUI 中，该功能由两个合作伙伴节点完成：HeyGen Voice 1.0 Instant Clone 接收录音并返回 voice_id，HeyGen Voice 1.0 Text to Speech 用这个音色朗读文本。两者都是云端 API 节点：需要带积分的 Comfy 账号，并且不会下载本地模型。克隆免费，文本转语音按每 1K 字符计费。费率见合作伙伴节点定价。 模板把两个节点接在同一个工作流里，并保存两种输出：朗读出的音频，以及记录了 voice_id 的文本文件，方便下次直接复用同一个音色，不必重新克隆。

​

HeyGen Voice 1.0 擅长什么

• 短录音即可克隆：10 秒清晰的语音就够用，最多会用到片段的前 3 分钟
• 复用音色：voice_id 输出可以接入文本转语音，也可以填入 HeyGen Avatar Video 和 HeyGen Talking Photo 的 custom_voice_id
• 两种速度：heygen-voice-1-turbo 更快，价格是 heygen-voice-1 的一半
• 表现力控制：expressiveness_boost 取值低时贴近原录音，取值高时情绪更丰富

​

示例输出

从一段录音克隆音色，再用这个音色朗读文本：

​

使用它

与在下面的 ComfyUI 中运行一样，使用同一个 Comfy 账号、同样的积分计费。各模型的价格见合作伙伴节点定价，可同时发起的请求数量见并发限制。

​

HeyGen Voice 1.0 工作流

克隆音色、写入文本并运行。模板把两个节点放在同一个工作流里，voice_id 会直接从克隆节点传给文本转语音节点。 输入素材

​

运行步骤

1. 加载录音：在 LoadAudio 节点中接入单人、至少 10 秒的清晰语音，只会使用前 3 分钟
2. 克隆音色：在 HeyGen Voice 1.0 Instant Clone 上把 language 设为录音所用的语言，并选择 similarity。修改 seed 可以重新克隆，得到略有差异的音色
3. 写入文本：在 HeyGen Voice 1.0 Text to Speech 的 text 中输入不超过 5000 字符的纯文本，并把克隆节点的 voice_id 输出接到它的 voice_id 输入
4. 设置表现力：expressiveness_boost 取 0 到 1。0 最贴近原录音，1 情绪最丰富
5. 点击 Queue 或按 Ctrl+Enter 生成
6. 保存结果：模板用 SaveAudioAdvanced 保存音频、用 SaveText 保存音色 ID，放在 output/HeyGen_Voice_id/ 下

​

节点控制

​

HeyGen Voice 1.0 Instant Clone

​

HeyGen Voice 1.0 Text to Speech

​

限制

• 克隆只使用录音的前 3 分钟，实际操作中至少需要 10 秒清晰语音。
• 文本上限 5000 字符，约 12 分钟语音。只接受纯文本，其他内容会被拒绝。
• 即时克隆的音色在文本转语音中会忽略 seed、speed 和 pitch，表现力只能通过 expressiveness_boost 控制。
• voice_id 必须来自克隆节点，留空会报错。
• 克隆免费，文本转语音按模型费率以每 1K 字符计费。

​

开始使用

1. 将 ComfyUI 更新至最新版本
2. 打开模板库，搜索 HeyGen Voice 1.0