ComfyUI MiMo TTS：把小米语音合成塞进 ComfyUI 工作流，8种音色+克隆+剧本配音一键搞定

最近在 GitHub 上发现了一个非常实用的 ComfyUI 自定义节点项目：ComfyUI MiMo TTS。它把小米 MiMo 的语音合成 API 封装成了 ComfyUI 节点，让你能在工作流里直接用节点生成语音——从简单的”文字转语音”到复杂的”多角色剧本配音+拼接”，全在一个工作流里搞定。

为什么值得关注？

ComfyUI 生态里虽然图像生成、视频生成类的插件已经非常丰富，但语音合成一直是个比较空白的领域。大多数 TTS 工具要么需要独立部署服务，要么需要复杂的 Python 环境配置。而 MiMo TTS 直接把小米商用级 TTS API 桥接到了 ComfyUI 的节点系统里——一个 git clone 就能跑。

五大核心节点

这个插件提供了 5 个节点，覆盖了从基础到进阶的所有场景：

节点	功能	一句话理解
MiMo TTS	预置音色合成	选音色→输文字→出音频
MiMo 音色克隆	参考音频克隆音色	给一段音频，克隆它的声音
MiMo 音色设计	文字描述定制音色	“青年女性，声音甜美温柔” → 新音色
MiMo 剧本配音	JSON 剧本批量配音	一段 JSON，自动生成多人对话
MiMo 音频拼接	多路音频合并	5路音频输入，合并成一条输出

8 种预设音色 + 18 种情感标签

插件内置了 8 种预设音色，覆盖了中文和英文场景：

中文音色：冰糖（甜美少女）、茉莉（温柔知性）、苏打（阳光少年）、白桦（沉稳大叔）
英文音色：Mia（青春活力）、Chloe（优雅知性）、Milo（磁性男声）、Dean（专业播音）

每种音色还可以搭配 18 种情感标签（开心、悲伤、愤怒、惊讶等），让语音表达更加自然。这在做短视频配音、有声内容创作时非常有用。

剧本配音：JSON 驱动多角色对话

最让我惊艳的是剧本配音功能。你只需要写一段 JSON，就能批量生成多角色对话：

{
  "characters": {
    "小玲": {"voice": "冰糖"},
    "哥哥": {"voice": "白桦"}
  },
  "lines": [
    {"char": "小玲", "text": "你好！"},
    {"char": "哥哥", "text": "你好啊！"},
    {"char": "小玲", "text": "今天天气真好"},
    {"char": "哥哥", "text": "是啊，出去走走吧"}
  ]
}

节点会自动为每个角色用对应音色生成语音，然后拼接成完整对话。以前要手动一条条生成再拼接的工作，现在一个节点全部搞定。

配合 MiMo 音频拼接节点，你还可以把不同场景的对话片段串联起来，做出完整的”广播剧”效果。

音色克隆 + 音色设计：创造独一无二的声音

音色克隆节点支持上传参考音频来克隆音色——不管是你的声音、朋友的声音，只要有一段清晰的音频样本，就能让 MiMo 复刻出来。

音色设计节点更进一步，直接用文字描述来创造新音色。输入”青年女性，声音甜美温柔”，AI 就能按你的描述合成一个新音色。这种”自然语言编程”式的交互方式，对非专业用户非常友好。

ComfyUI 工作流示例

基础用法：一行流水线

MiMo TTS → PreviewAudio

最简单的方式，一端接入文本和音色，另一端输出音频。

多角色对话

MiMo TTS (小玲) ──→ audio_1 ──┐
                                ├──→ MiMo Audio Concat → SaveAudio
MiMo TTS (哥哥) ──→ audio_2 ──┘

两个 MiMo TTS 节点分别配置不同音色，经过音频拼接节点合并，最终输出一段完整的对话音频。

音色克隆

Load Audio → MiMo Voice Clone → PreviewAudio

先加载参考音频，克隆音色后再用新音色合成文本——不需要写任何代码。

安装和配置

安装

cd ComfyUI/custom_nodes
git clone https://github.com/kkitx/comfyui-mimo-tts.git

或者直接下载 ZIP 解压到 ComfyUI/custom_nodes/ 目录。

配置

编辑 config.env 文件：

MIMO_API_KEY=你的API密钥
MIMO_API_BASE=http://你的服务器地址/v1

也可以在节点界面上直接填入 api_key 和 api_base，节点界面设置的优先级更高，方便随时切换。

依赖

ComfyUI 0.25.0+
PyTorch（ComfyUI 自带）
torchaudio（音色克隆和音频拼接需要）
ffmpeg（可选，用于高级音频处理）

适用场景

场景	推荐节点
短视频配音	MiMo TTS（预置音色）
有声书/播客	剧本配音 + 音频拼接
个性化语音助手	音色克隆
角色扮演/AI互动	音色设计
批量语音生成	剧本配音（JSON 驱动）