工作流
来自 Comfy-Org 官方模板库，共 49 个，每个都能直接导入 ComfyUI。
Pika Music：文本生成音乐
在 Pika Music 中写下风格描述和可选歌词，通过合作方 API 直接生成成品歌曲，无需下载模型权重。把编曲、氛围与配器写进提示词，需要人声时加上 [Verse]、[Chorus] 这类段落标签，纯音乐则留空，时长可从 10 秒到 360 秒任意选择；同一节点还能切到翻唱模式，按原曲长度重新演绎上传的歌曲。适合为预告片、广告配乐和背景音乐快速出稿，没有 GPU 的机器也能用。
音频分离
从输入音频中分离人声、贝斯、鼓等
ElevenLabs：文本转对话
输入文本并选择语音配置文件，生成高质量、情感丰富的音频对话。
Stable Audio 1.0：文生音频
使用Stable Audio从文本提示生成音频。
ACE-Step 1.5XL 基础版：文本转音乐
使用40亿参数ACE-Step 1.5 XL模型，从文本提示生成高质量音频。
Eleven v4：文本转对话
使用 Eleven v4 从文本生成多说话人对话：为每个条目分配独立的一行和独立的声音，通过 [quietly] 或 [laughs] 等音频标签指导表达方式，或从样本中克隆声音并让它参与对话。输出为一个音频文件。非常适合播客、游戏对话和角色对话。
ElevenLabs：语音转语音
上传源音频文件以应用新的语音语调或克隆不同的声音，生成修改后的音频输出。
YuE2：音乐翻唱
使用 YuE2 从参考音频创建歌曲的新版本。在改变音乐风格、人声、歌词和编曲的同时，保留原始旋律。
HeyGen：文本转语音
使用HeyGen先进的TTS引擎从文本生成自然语音，支持多种语言和口音，并提供可自定义的声音。输入文本并从众多预设声音中选择，或通过简短音频样本克隆自定义声音。非常适合为视频创建配音、生成多语言旁白以及制作个性化音频内容。
VEED Clean Audio：语音降噪
用 VEED Clean Audio 去掉语音录音里的底噪：音乐与音效会随噪声一起被移除，句间停顿被彻底清理，输出 48 kHz 单声道音频，并可按目标响度归一化。单段音频最长 1799 秒。
Chatter Box：使用克隆语音进行多人对话
上传语音样本并输入多说话人对话脚本。为每个说话人生成带有克隆语音的对话音频文件。
Chatter Box：语音克隆音频转换
上传音频片段和简短语音参考，生成转换后的音频输出，克隆目标声音同时保留原始节奏和表现。
Pika：文本生成音效
用一句话描述一个声音，Pika SFX 就会通过合作方 API 返回一段成品音频。在提示词里写清材质、动作、空间和强度，把长度设在 1 到 20 秒之间，节点输出一段可直接放进时间线的单声道音效。适合拟音、游戏界面提示音、预告片打击音和环境铺底这类「生成比录制更快」的场景。
ACE-Step 1.5XL SFT：文生音乐
使用4B参数SFT模型从文本提示词生成高质量音乐。通过CFG控制输出以实现精确的提示词遵循。
Fish Audio Drama 3：双人对话
使用 Fish Audio Drama 3 一次生成多说话人场景：为每位说话人连接一个 Voice Selector，用 @Voice1 / @Voice2 标记说话人切换，并通过通俗语言的 [directions] 和 <whisper> 词标签来指导演绎。
ACE-Step 1.5 音乐生成（4B LLM）
输入文本提示词以生成音乐。此4B模型版本相比更小的变体输出更强的音频理解和作曲能力。
ACE-Step 1.5 AI 歌词歌曲生成
输入音乐风格和可选歌词。使用AI生成完整歌曲，包括歌词和音频。
ACE Step v1 M2M编辑
使用ACE-Step v1 M2M编辑现有歌曲以改变风格和歌词。
种子音频 1.0：文本 + 图像转音频
上传一张角色图像并编写文本提示词以生成音频。模型从您的图像中提取声音，然后生成语音、环境音、背景音乐和音效。
ElevenLabs：语音隔离
上传包含背景噪音的音频文件。使用 ElevenLabs API 分离并输出干净的语音轨道。
ACE-Step v1文本到器乐音乐
使用ACE-Step v1从文本提示生成器乐音乐。
ACE Step v1文本到歌曲
使用ACE-Step v1从文本提示生成带有人声的歌曲，支持多语言和风格定制。
Fish Audio：语音转文字
使用Fish Audio ASR将音频转录为文本。系统会自动检测80种以上语言，并可选择返回词级时间戳作为JSON片段。可用于创建字幕、转录录音或从音频片段生成TextGenerate。已预加载示例音频，您可以立即测试。
ElevenLabs：语音转文本
上传音频或视频文件，将其语音转录为准确、可编辑的文本。