Scenema Audio 登陆 ComfyUI，可在 8GB 显存上运行

嘿，大家好！Scenema Audio 现在已成为 ComfyUI 的原生自定义节点。为 scenema.ai 提供支持的同一模型现已量化，可在 8GB 显存上运行。几个月前我们首次以 API 和 Docker 栈形式发布时，全精度 Transformer 对大多数人来说过于笨重，难以自行托管。现在这个问题已经解决了。具有零样本声音克隆功能的表现力丰富的文本转语音。你可以描述语音应如何表演（愤怒、悲伤、孩童般的好奇），也可以提供参考音频来设定声音身份，模型便会生成一段表演。像 [他轻声笑了] 或 [声音哽咽] 这样的内联舞台指示提示会在准确位置被执行。下拉菜单中内置了 12 种预设语音，涵盖口音、年龄和情绪表达范围。我们还放弃了原始版本使用的 XML 提示词格式。将每个表演指令都用标签包裹写起来很笨拙。内联括号提示更适合 ComfyUI 的文本编辑器。安装 ComfyUI Registry（推荐）：打开 ComfyUI Manager，选择 Custom Nodes Manager，搜索 "Scenema Audio"，点击 Install，然后重启。GitHub：cd custom_nodes git clone https://github.com/ScenemaAI/ComfyUI-ScenemaAudio.git pip install -r ComfyUI-ScenemaAudio/requirements.txt 两种方式都会自动将预先配置好的工作流放入 Workflows 侧边栏的 Scenema Audio 文件夹中。单击一次即可将官方工作流加载到画布中。要求：最低 8GB 显存。已在 RTX 3070 和 RTX 4090 上完成端到端测试。生成速度最高可达实时速度的 2 倍。首次运行会下载约 30GB 的权重文件（仅一次）。文本编码器是 Gemma 3 12B，这是一个受门控的 HuggingFace 模型，因此你需要在首次生成之前接受其许可证并设置 HF_TOKEN。关于限制（与原始版本相同）：这是一个扩散模型，不是传统的 TTS 流水线。某些种子会产生重复或乱码。适用于后期编辑工作流：生成、挑选最佳片段、裁剪。提示词很重要。具体、富有戏剧性的语音描述加上动作标签才能产生好的表演。泛泛的描述只会产生泛泛的输出。对于专有名词和难读的词，使用语音拼写会有所帮助（如果 "Tchaikovsky" 出现乱码，请将其拼写为 "Chai-koff-skee"）。许可证：我们所有的节点代码和推理流水线均采用 MIT 许可证。Transformer 权重衍生自 LTX-2 社区许可证。链接：博客文章：https://scenema.ai/audio/comfy-ui ComfyUI 节点：https://github.com/ScenemaAI/ComfyUI-ScenemaAudio 模型权重：https://huggingface.co/ScenemaAI/scenema-audio 独立 Docker/API：https://github.com/ScenemaAI/scenema-audio 原始公告：https://scenema.ai/audio 你希望接下来从 Scenema Audio 看到什么？我们很乐意了解大家实际上想用生成式音频构建什么。