乐于分享
好东西不私藏
当前位置：夜雨聆风 > 技术教程 > 软件教程 > 只要9秒音频就能克隆你的声音!这个AI工具太强了

只要9秒音频就能克隆你的声音!这个AI工具太强了

当前时间： 2026-04-25 11:05:40 更新时间： 2026-04-25 分类：软件教程 评论(0)

只要9秒音频就能克隆你的声音!这个AI工具太强了

ComfyUI声音克隆：9秒音频复刻你的声音

你有没有想过——给自己的AI虚拟形象配一个专属声音？

不需要专业录音设备，不用花几个小时进录音棚，只要一段 5-10秒的语音样本，Chatterbox 就能学会你的声音，然后你说任何话它都能帮你说出来。

今天分享的这个 ComfyUI 工作流，就是用 Chatterbox 做声音克隆 + 文字转语音的工具，整个流程只有4个节点。

这个工作流能做什么

用一句话说：给一段你的声音样本 + 任意文字，输出一段用”你的声音”说的新语音。

内置示例：上传一段”chatterbox_input_target_voice.mp3“（9秒左右的语音），然后输入一段文字，Chatterbox 就会用同样的声音念出来。

适合的使用场景：

  • AI虚拟主播/数字人配音：克隆你的声音，给虚拟形象配上真人的声线
  • 有声书/播客制作：克隆一个主播的声音，批量生成内容
  • 品牌语音定制：打造品牌专属的声音形象
  • 多语言配音：用同一个声音生成不同语言版本
  • 语音内容批量化：一段文案快速生成多条配音版本

开始前的准备

系统要求

项目 要求
ComfyUI 版本 v0.9.2 或更高
Python 版本 3.10+
显存 建议 4GB 以上
硬盘空间 约 2GB（用于存储模型）
网络 可选（部分模型支持离线运行）

插件安装

本工作流需要安装 ComfyUI-Chatterbox 插件：

  1. 打开 ComfyUI-Manager（如果没有，先安装）
  2. 点击「Install Custom Node」
  3. 搜索 Chatterbox 或 FL_ChatterboxTTS
  4. 点击安装
  5. 重启 ComfyUI

安装完成后，确认以下节点可用：

  • FL_ChatterboxTTS（核心TTS节点）
  • LoadAudio（音频加载）
  • SaveAudioMP3（音频保存）

模型下载

Chatterbox 需要下载专门的语音模型。安装插件后，首次运行工作流时会自动提示下载，或者可以手动下载：

  • 访问 Hugging Face 上的 Chatterbox 项目页面
  • 下载模型文件到 ComfyUI/models/chatterbox/ 目录

声音样本要求：

要求 说明
时长 5-10秒最佳，太短可能效果差，太长没必要
内容 清晰朗读一段话，不要纯音乐或噪音
质量 无背景音乐、无混响、单一说话人
格式 MP3、WAV 均支持，推荐 MP3

建议录音方式：打开手机，安静环境下朗读一段30秒的自我介绍，然后截取前10秒即可。

工作流节点配置清单

本工作流共 4个节点，结构极简：

节点ID 节点类型 功能说明 类别
#6 LoadAudio 加载声音样本 输入
#4 FL_ChatterboxTTS 核心TTS节点（克隆+合成） 核心
#5 SaveAudioMP3 保存生成的语音 输出
#7 MarkdownNote 使用说明备注 辅助

各节点详细配置

节点 #6：LoadAudio（加载声音样本）

  • 功能：加载用于克隆的声音参考音频
  • 参数配置：
参数 值 说明
audio chatterbox_input_target_voice.mp3 声音样本文件名（放在 input/ 目录）

提示：声音样本放在 ComfyUI/input/ 目录下。如果使用自己的录音，直接填文件名即可。

节点 #4：FL_ChatterboxTTS（核心节点）

这是工作流的核心，完成声音克隆 + 文字转语音。

  • 参数配置：
参数 默认值 说明
text “This is Chatterbox…” 要说的话（英文效果更稳定）
exaggeration 0.5 表达力强度（0-1，越高越夸张）
cfg_weight 0.5 CFG权重（控制语音对文本的遵循度）
temperature 0.8 随机性/自然度（越高越有变化）
top_p 390519100 采样参数（保持默认即可）
seed randomize 随机种子（设为 randomize 每次不同）

内置示例文本（英文）：

“This is Chatterbox—and it just recreated my voice from a nine-second recording. Give it a shot with your own voice and hear the results for yourself.”

中文使用建议：

  • 英文效果最稳定：Chatterbox 对英文的支持最好，建议先用英文测试
  • 中文支持：Chatterbox 也支持中文，但部分口音和声调可能与参考声音有差异
  • 混合语言：如果需要中英混合，建议分开生成后拼接

节点 #5：SaveAudioMP3（保存音频）

  • 功能：将生成的语音保存为MP3文件
  • 参数配置：
参数 值 说明
filename_prefix audio/chatterbox_tts 保存路径前缀，生成 output/audio/chatterbox_tts-xxx.mp3
version V0 版本标识

节点 #7：MarkdownNote（使用说明）

这是工作流自带的英文使用说明，包含：

  • 快速开始步骤
  • 参数调整建议
  • 注意事项

看不懂英文也没关系，下面的中文教程已经覆盖了所有内容。

节点连接关系

工作流数据流向清晰，共2条连接：

连接 起点 终点 数据类型
连接7 #6 LoadAudio（输出AUDIO） #4 FL_ChatterboxTTS（audio_prompt） AUDIO
连接6 #4 FL_ChatterboxTTS（输出audio） #5 SaveAudioMP3（audio） AUDIO

整体数据流向：

text
[#6 LoadAudio 加载声音样本]         ↓ AUDIO[#4 FL_ChatterboxTTS 克隆声音+合成语音]         ↓ AUDIO[#5 SaveAudioMP3 保存MP3]


使用步骤


第一步：安装插件和模型


    

  1. 通过 ComfyUI-Manager 安装 Chatterbox 插件
    2. 

  2. 重启 ComfyUI
    3. 

  3. 首次运行时会自动下载模型（约1-2GB）
    4. 



第二步：准备声音样本


    

  1. 录制一段自己的声音（5-10秒，安静环境）
    2. 

  2. 保存为 MP3 或 WAV 格式
    3. 

  3. 放入 ComfyUI/input/ 目录
    4. 

  4. 或者直接用示例音频 chatterbox_input_target_voice.mp3 测试
    5. 



第三步：加载工作流


    

  1. 打开 ComfyUI
    2. 

  2. 加载 audio-chatterbox_tts.json 工作流
    3. 

  3. 检查所有节点是否正常显示
    4. 



第四步：配置声音样本


    

  1. 点击节点 #6（LoadAudio）
    2. 

  2. 在 audio 输入框填写你的声音样本文件名
    3. 

  3. 确认文件放在 ComfyUI/input/ 目录
    4. 



第五步：输入要说的文字


    

  1. 点击节点 #4（FL_ChatterboxTTS）
    2. 

  2. 找到 text 参数，输入你想让声音说的话
    3. 

  3. 建议先用英文测试效果
    4. 



第六步：调整参数（可选）






参数
说明
建议






exaggeration
表达力，越高越夸张
0.5（默认）




cfg_weight
语音对文本的遵循度
0.5（默认）




temperature
自然度，越高越有变化
0.8（默认）






第七步：生成


    

  1. 点击 “Queue Prompt”
    2. 

  2. 等待生成完成（通常10-30秒）
    3. 

  3. 音频保存在 ComfyUI/output/audio/chatterbox_tts-*.mp3
    4. 



参数调优建议


表达力（Exaggeration）






值
效果






0.2-0.3
平稳、克制，适合播报




0.5
平衡（默认）




0.7-1.0
夸张、有情感，适合表演






CFG权重（CFG Weight）






值
效果






0.3-0.4
更自然，但可能偏离原文




0.5
平衡（默认）




0.6-0.8
严格遵循文本，语气一致






随机性（Temperature）






值
效果






0.5-0.6
稳定，变化少




0.8
平衡（默认）




0.9-1.0
变化多，更自然，但可能不稳定






调优组合推荐






场景
exaggeration
cfg_weight
temperature






播报/新闻
0.3
0.6
0.6




日常对话
0.5
0.5
0.8




有声书
0.6
0.4
0.7




情感表达
0.8
0.3
0.9






常见问题


Q1：生成的声音不像怎么办？


    

  • 声音样本质量问题：录音环境要安静，无背景音乐
    • 

  • 样本时长不够：建议至少5-10秒
    • 

  • 说话人太混杂：样本中只能有一个人说话
    • 

  • 可以多尝试几个不同的声音样本
    • 



Q2：中文发音不准确？


    

  • Chatterbox 对中文支持不如英文完善
    • 

  • 建议：英文内容直接用英文，中文可以先翻译成拼音或英文
    • 

  • 或者等待官方更新中文模型
    • 



Q3：生成的语音有杂音？


    

  • 检查原始声音样本是否有噪音
    • 

  • 尝试降低 temperature 值（0.6-0.7）
    • 

  • 增加 cfg_weight 值（0.6）
    • 



Q4：插件安装失败？


    

  • 确认 ComfyUI-Manager 已正确安装
    • 

  • 检查网络连接（需要访问GitHub）
    • 

  • 尝试手动安装：从GitHub下载zip包，手动解压到 ComfyUI/custom_nodes/ 目录
    • 



Q5：声音样本放哪里？


    

  • 放入 ComfyUI/input/ 目录
    • 

  • 然后在 LoadAudio 节点填写文件名
    • 



Q6：如何批量生成不同内容？


    

  • 每次修改 text 参数
    • 

  • 点击 Queue Prompt 重新生成
    • 

  • 生成的音频自动编号（-0001, -0002…）
    • 



总结


Chatterbox 是我见过的最简单的声音克隆工具之一。只需要一段5-10秒的声音样本，就能复刻出一个接近真人的AI语音。


这个工作流的亮点是极简：4个节点，一个核心TTS节点，其余都是输入输出辅助。安装好插件后，操作流程非常直观。


如果你正在做虚拟主播、数字人、有声内容，强烈建议试试这个工作流。免费、本地运行、效果还不错。


有任何问题欢迎留言交流，觉得有帮助的话点赞和在看支持一下。