[ComfyUI] Soul开源播客合成模型SoulX-Podcast：专为多轮播客及多说话人对话场景打造的TTS工具

一、SoulX-Podcast介绍

AI语音领域迎来重大创新—Soul推出的SoulX-Podcast语音模型，这是一款专门为多人、多轮对话场景打造的一款语音生成模型！以其革命性功能迅速成为行业焦点。该模型专为播客式内容设计，实现了高真实度的语音生成，支持长时段、多说话人、多语种交互，标志着AI在自然对话模拟上的又一里程碑。

多语种与方言支持:中英双语+方言无缝融合

• 长篇、多轮、多说话人对话语音生成 ：SoulX-Podcast 擅长为多轮、多说话人场景生成高质量、听起来自然的对话语音。
• 跨方言、零样本语音克隆 ：SoulX-Podcast 支持跨不同汉语方言的零样本语音克隆，能够生成任何支持的方言的高质量、个性化语音。
• 副语言控制 ：SoulX-Podcast 支持各种副语言事件，如笑声和叹息声，以增强合成结果的真实感。

 二、相关安装

ComfyUI-SoulX-Podcast：https://github.com/flybirdxx/ComfyUI-SoulX-Podcast

• 🎙️ 双人播客生成：支持两个说话人的对话生成
• 🌍 多方言支持：支持多种中文方言（需使用方言模型）
• 📝 灵活的对话脚本：通过简单的脚本格式定义对话
• 🎵 提示音频驱动：使用参考音频（Suno）来克隆说话人的音色
• 🔄 长文本生成：支持生成长篇播客内容
• 🎛️ 可视化工作流：在 ComfyUI 中通过节点连接完成整个生成流程

模型安装路径：

ComfyUI/
  └── models/
      └── TTS/
          └── SoulX-Podcast-1.7B/
              ├── soulxpodcast_config.json
              ├── flow.pt
              ├── hift.pt
              ├── campplus.onnx
              └── [LLM模型文件...]

模型类型说明：

• 标准模型（如 SoulX-Podcast-1.7B）：适用于标准普通话播客生成
• 方言模型（如 SoulX-Podcast-1.7B-dialect）：支持多种中文方言生成，如河南话、四川话、粤语等

重要提示：如需使用方言功能，请确保加载 SoulX-Podcast-1.7B-dialect 模型。在 SoulX Podcast Loader 节点的 model_name 参数中选择对应的方言模型。

以下是一个完整的 ComfyUI 工作流示例，展示了如何使用这些节点：

导入工作流：

您可以直接在 ComfyUI 中导入网盘的工作流 JSON 文件：example_workflow.json

该示例包含：

• 模型加载配置
• 双说话人提示音频（男声和女声）
• 完整的对话脚本示例
• 所有必需的节点连接

普通话版工作流：

方言版工作流：

常见问题：

Q1: 模型加载失败

问题：提示 "Model path does not exist" 或 "No models found"

解决方案：

1. 确保模型文件放在 ComfyUI/models/TTS/[模型名称]/ 目录下
2. 检查模型目录是否包含所有必需文件

Q2: 生成音频音色不稳定

解决方案：

1. 使用更长、更清晰的提示音频（建议 10 秒左右）
2. 确保提示音频质量良好，无明显噪音

Q3: 生成速度慢

解决方案：

1. 如果支持，使用 vllm 引擎
2. 开启 fp16_flow 减少显存占用
3. 减少 max_tokens 值

Q4: 对话脚本格式错误

错误示例：

S1 你好  # ❌ 缺少方括号

正确格式：

[S1] 你好  # ✅ 正确
[S2] 你好  # ✅ 正确

四、效果预览

五、总结：

这一发布无疑将推动AI语音在媒体、娱乐和教育领域的广泛应用。专家指出，SoulX-Podcast的出现，将挑战传统录音棚模式，让小型团队也能高效产出高质量播客内容。未来，随着模型的迭代，预计将进一步扩展到实时交互和跨平台集成。