MOSS-TTS v1.5 ComfyUI 节点包

English

支持 MOSS-TTS v1.5 两个变体 + MOSS-VoiceGenerator 声音设计模型的 ComfyUI 自定义节点：

• Local-Transformer：Qwen3-4B 级主干 + nano-GPT2 局部变换器，配 MOSS-Audio-Tokenizer-v2，48 kHz 立体声，n_vq=12。（其他扩展 README 里流传的 "1.7B" 不准确——主干是 Qwen3-4B 形状，bf16 权重约 9.1GB。）
• Delay：8B delay-pattern 模型，配 MOSS-Audio-Tokenizer（v1），24 kHz，n_vq=32。
• VoiceGenerator：1.7B 声音设计模型（MossTTSDelay 家族，与 Delay 复用同一套代码路径），用文字描述音色直接发声、无需参考音频，24 kHz，n_vq=16；产出音频可直接当 Voice Clone 的参考，串成"设计音色→克隆→量产"链路。

三个变体走同一组节点，Load Model 节点里下拉切换。

特性

• 无参考 TTS、零样本声音克隆、音频续写、硬时长控制（target_tokens，12.5 帧/秒）、31 种语言显式标签、[pause 3.2s] 停顿标记。
• 不用 trust_remote_code：模型代码 vendored 在 assets/（最小且带标记的兼容补丁），不依赖 HF 模块缓存里那一版。
• transformers 4.x / 5.x 都能跑（补丁 + 特性探测）；双机型 E2E 验收覆盖 5.16 与 4.57。
• 深度接入 ComfyUI 内存管理：权重经 ModelPatcher / ModelPatcherDynamic（感知 AIMDO DynamicVRAM）注册，可被正常卸载；每个集成点都做了降级保护。
• 权重查找顺序：$MOSS_TTS_MODELS_DIR/<仓库名> → ComfyUI/models/mosstts/<仓库名> → HF hub cache（遵循 HF_HOME）→（download_if_missing 开启时）自动下载。

安装

ComfyUI-Manager：打开 Manager → Custom Nodes Manager → 搜索 moss-tts → Install。Manager 会自动拉包并安装依赖（install.py），装完重启 ComfyUI 即可。后续版本更新同样在 Manager 里完成。

Git clone：

cd ComfyUI/custom_nodes
git clone https://github.com/CloudRipple/MOSS-TTS-ComfyUI.git
python install.py   # 只装缺失的轻量依赖

重启 ComfyUI。首次使用会先从本地缓存解析权重；找不到且允许下载时才从 HF 下载。

节点（分类 MOSS-TTS v1.5）

生成节点都输出 tokens_generated（音频帧数，秒数 = 帧 / 12.5），供续写链精确传递前缀长度。

显存

• Local（4B）：bf16 约 12 GB。
• Delay（8B）：bf16 约 22 GB。
• VoiceGenerator（1.7B）：bf16 模型约 4 GB + codec（fp32）约 7 GB。

克隆参考音频建议 5–15 秒；前缀越长，KV cache 越大。

同步上游代码

assets/ 镜像了四个 HF 仓库的 remote code。所有补丁都带 # MOSS-TTS-V15-ComfyUI patch: 注释；同步上游时重新拷贝那四个仓库的代码文件并重新套用这组补丁即可。

License

MIT（本包）。模型权重与上游代码为 OpenMOSS-Team 的 Apache-2.0。