ComfyUI 廣東話 TTS：節點實況、限制同最省時做法（2026）

一句答你：ComfyUI 可以出廣東話，但多數節點只係「有粵語標籤」，唔等於出到香港人口語。想穩定出貨，本地節點做實驗，正式聲軌交俾專用粵語 TTS。

Key Takeaways

• ComfyUI 係節點式工作流引擎，本身唔係語音模型；粵語能力來自你裝嘅節點同模型。
• 官方文件對粵語嘅講法分三級：正式支援、要參考音頻、明確講唔支援。
• 有啲熱門節點嘅語言列表根本冇粵語；有啲寫「廣東話」但實際出普通話腔。
• 本地跑要 GPU、要裝依賴、要自己處理模型授權同更新。
• 最省時嘅做法通常係混合：ComfyUI 做流程同影像，TTS 用 API。

重點摘要：ComfyUI 嘅價值係「自由組合」，唔係「開箱即用嘅粵語配音」。你要預咗花時間調節點、試模型、處理兼容問題。

ComfyUI 係咩？先搞清楚佢嘅角色

ComfyUI 係一個節點式嘅生成式 AI 工作流介面。你用節點連埋模型、輸入、輸出，砌出一條 pipeline。

佢最常被用嚟做圖像生成，但社群亦開發咗大量語音、影片、後製節點。你可以拉一個「載入模型」節點，接一個「生成語音」節點，再接「預覽音頻」。

關鍵係：ComfyUI 本身唔提供語音模型。你裝咩節點、用咩 checkpoint，決定你出到咩聲。

所以「ComfyUI 識唔識講廣東話」呢條問題，其實應該問：「你裝嗰個節點，官方支唔支援粵語？」

粵語支援有三級，唔好混淆

呢三級差好遠。你喺 GitHub 搜「Cantonese TTS ComfyUI」，見到一堆節點，但唔係個個都係第一級。

四個節點嘅官方講法

以下只引官方文件，唔代表我哋逐個測試過。

一、OmniVoice TTS 節點

呢個節點嘅 README 有段很重要的更新。2026 年 4 月，作者把「广东话」由「Cantonese」改成「Cantonese-style Mandarin」，並註明 upstream 模型唔正式支援粵語，只係配合粵語參考音頻時可能出到近似效果，質素唔保證（OmniVoice TTS, GitHub, 2026）。

即係話：標籤寫「广东话」，但實際係「普通話腔嘅粵語風格」。呢個就係第二級同第三級之間嘅灰色地帶。

二、Ming-3 TTS 節點

Ming-3 嘅節點有 dialect task，可以揀 Cantonese 或 Sichuanese。文件講，方言模式需要一段參考錄音，但唔需要逐字 transcript（Ming-3 TTS, GitHub）。

呢個設計對粵語用戶友善：你俾一段自己講嘅廣東話，再輸入新文字，模型會嘗試用同一把聲。但文件亦提醒，效果可能因參考音頻而異。

三、CosyVoice3 節點

CosyVoice3 支援用自然語言指令控制語氣，例如「請用廣東話表達」。但節點文件明確講，instruction mode 同 transcript-based cloning 互斥：你用指令，就唔可以用逐字 transcript 做 clone（CosyVoice3, comfy.icu）。

對粵語嘅影響係：你想用指令叫佢講廣東話，就可能犧牲最高質素嘅 clone 模式。要自己取捨。

四、QwenTTS 節點

QwenTTS 節點列出十種語言：中文、英文、日文、韓文、德文、法文、俄文、葡萄牙文、西班牙文、意大利文（QwenTTS, GitHub）。

冇粵語。

呢個例子說明：唔少熱門 TTS 節點，語言列表根本冇粵語。你裝之前要睇清楚，唔好假設「中文」等於「廣東話」。

點解多數節點嘅粵語「差啲」

一、訓練數據少

粵語全球約有 8,490 萬母語者，但高質素、標註完整嘅語音資源長期不足（Li et al., arXiv, 2025）。模型訓練時見到嘅粵語樣本，遠少過英文同普通話。

二、多音字難搞

粵語有大量多音字。同一個字，唔同上下文有唔同讀音。例如「行」可以讀 hang4 或 hong4，「唔」可以讀 m4 或 ng4。

文字轉拼音（G2P）一錯，後面點合成都會錯。呢個係粵語 TTS 嘅根基問題。

三、節點封裝簡化咗參數

ComfyUI 節點為咗易用，通常只暴露幾個參數：語言、速度、參考音頻。模型原本支援嘅發音詞典、韻律控制、停頓標記，好多都冇接口。

你想精細控制，就要改節點或者自己寫 script。呢個已經超出「拉線」嘅範圍。

三種做法，點揀

全本地

你要準備 GPU、Python 環境、模型檔、依賴。第一次安裝可能花幾個鐘。之後每次模型更新，你都要重新試兼容。

適合：研究、隐私要求高、唔趕時間。

混合

ComfyUI 負責影像生成、後製、字幕；語音節點改成呼叫外部 TTS API。

好處係你保留 ComfyUI 嘅視覺流程，同時用穩定嘅粵語聲軌。壞處係你要寫一個 API 節點，或者用現成嘅 HTTP 節點。

全 API

唔用 ComfyUI，直接用 TTS API 出聲，再用剪片軟件或自動化流程拼接。

適合：每個月出幾百條、需要團隊協作、唔想維護 GPU。

想睇 API 點接，可以睇《粵語 TTS API 入門》。

最小可行工作流：八步

1. 裝 ComfyUI。 用官方 installer，唔好隨便用第三方整合包。
2. 裝 Manager。 方便搜節點同追更新。
3. 揀一個粵語節點。 先睇官方文件有冇明確講支援。
4. 準備參考音頻。 10 至 30 秒、單人、無背景音樂。
5. 寫短句測試。 唔好一開始就貼千字稿。
6. 核對讀音。 多音字、品牌名、數字逐個聽。
7. 接 SRT。 如果要出字幕，確認節點支援時間軸。
8. 決定正式路線。 本地夠用就本地；唔夠就轉 API。

呢個流程嘅重點係第 5 步。短句測試可以省你好多時間。

成本同硬件，實際點計

ComfyUI 免費，但硬件唔免費。

• GPU：本地跑 TTS 需要一定 VRAM。模型越大，要求越高。
• 電費：長開部機做批量，電費同散熱都要計。
• 時間：安裝、debug、更新，全部係成本。
• 機會成本：你花喺裝節點嘅時間，可以用嚟寫稿。

【獨家觀察】大部分人低估咗「維護」嘅成本。第一次裝好之後，模型更新、依賴衝突、節點棄養，全部會令你返去 debug。呢啲時間唔會出現喺教學片入面。

五個最常見中伏位

一、見「中文」就以為包粵語

好多節點寫「支援中文」，實際只支援普通話。要睇語言列表有冇 yue、Cantonese 或「粵語」。

二、用有背景音樂嘅參考音頻

參考音頻要乾淨。有音樂、有回音，模型會學埋啲雜聲。

三、一次過貼長稿

節點可能截斷、爆記憶體、或者出到一半停。分段生成，再合併。

四、忽略模型授權

開源模型唔等於可以商用。每個 checkpoint 嘅授權都唔同，用之前睇清楚。

五、冇備份 workflow

節點更新之後，舊 workflow 可能開唔返。定期 export JSON，唔好只留喺部機。

資料來源同方法說明

本文由港嘢內容團隊撰寫，經編輯覆核。各節點嘅語言支援同限制，均引自其官方 README 或節點頁面（查閱日期 2026-10-31）。本文冇對各節點做獨立語音質素測試；節點版本更新頻密，實際表現以你安裝嘅版本為準。

主要來源：

• OmniVoice TTS 節點（粵語支援說明）
• Ming-3 TTS 節點
• CosyVoice3 節點說明
• QwenTTS 節點（語言列表）
• WenetSpeech-Yue 論文（粵語資源背景）

常見問題 FAQ

ComfyUI 係咪免費？

ComfyUI 本身係開源、免費。但你用嘅模型、節點、雲端 GPU 可能有唔同授權同收費。

ComfyUI 可唔可以出粵語字幕？

可以，但要睇你有冇裝對應節點。多數做法係先出聲軌，再用 ASR 或 SRT 工具對軸，唔一定喺 ComfyUI 入面完成。

本地跑粵語 TTS，最低要咩硬件？

冇一個固定答案，因為模型大細差異好大。一般建議有獨立 GPU；實際 VRAM 要求睇模型文件。用 CPU 跑會非常慢。

點分辨節點係真支援粵語，定只是標籤？

睇三樣：語言列表有冇 yue 或 Cantonese、文件有冇講參考音頻要求、有冇粵語評測或範例。三樣都冇，就當係「未確認」。

ComfyUI 出嘅聲，可以直接用喺品牌片？

技術上可以，但你要自己負責讀音、語氣、授權同穩定性。品牌片建議用有支援同 SLA 嘅 TTS 服務。

混合做法會唔會好複雜？

比全本地簡單。你只需要一個 HTTP 節點，將文字同 voice ID 傳去 TTS API，再接收音頻。難點係錯誤處理同重試。

想跳過裝機，直接試粵語聲？

你可以先去 港嘢 playground 貼一段稿，聽吓成品。覺得方向啱，再研究 API 或 ComfyUI 節點都未遲。

想睇 AI 短劇點用呢啲工具，可以睇《AI 短劇廣東話製作指南》；想比較豆包，就睇《豆包廣東話評測》。

想睇成個 AIGC 粵語聲軌嘅工具地圖，可以睇《AI 影片廣東話配音指南》。

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。