
【機能解説編】キャラ画像・参照音声・Excelバッチを1つに凝縮。「OZ IrodoriTTS AllInOne」の全機能
【お知らせ】Ver2が出ています
この連載で紹介した「OZ IrodoriTTS AllInOne」は、Ver2になりました。この連載はVer1の内容です(Ver1はこのまま無料で公開しています)。Ver2はこちらです。
使い方のマニュアルは、記事から無料で読めます。
セリフ1本から、Excelのセリフ集まるごとまで。この1ノードで回せます。
この記事では、仕様編で決めた内容をもとに作ったカスタムノード「OZ IrodoriTTS AllInOne」の機能を、ひとつずつ解説していく。
手順を追って使う話は使い方編に分けたので、ここでは機能だけに集中する感じかな。
この連載について
全3回で「OZ IrodoriTTS AllInOne」を紹介する。ノード一式は、各記事の最後(有料エリア)で販売している。
第1回:仕様編「仕様を決めた話」
第2回:機能解説編(この記事)
第3回:使い方編
1. 全体像:1ノード・3モード
「OZ IrodoriTTS AllInOne」は、音声合成「Irodori-TTS」の3つの作り方を統合した、自作の ComfyUI カスタムノード。
ワークフローの組み替えじゃなくて、カスタムノードとして新しく作ったやつだ。
モードの切り替えは、ノード上部の「セリフ生成方法」の3ボタンだけ。
実行されるのは、選んだ1モードだけって仕組みにしてある。
キャラ画像:キャラクター画像から声を作る
参照音声:参照音声の声で文章を読み上げる
バッチ生成:Excel のセリフ集を全行まとめて生成・保存する
ちなみに、使ってみて一番びっくりしたのは速さ。
ワークフローの頃と比べて、生成が速い。
同じ内容で比べたら、18.95秒かかってたのが3.92秒になった。
4倍以上速い。
カスタムノード化で、ここまで変わるとは思ってなかった。詳しい中身は第10章に書いた。

2. 機能1:キャラ画像(Character Voice)
キャラクター画像を条件に声を作って、文章を読み上げる機能。
要は、画像から声を作っちゃうやつだ。
画像はノード内にアップロードする方式(ピン接続じゃない)。画像は ComfyUI の input フォルダに保存されて、プレビューも表示される
使うモデルは v2 系の Character-Voice 専用モデル。アニメ絵向けの Tagger と、リアル寄りの画像向けの SigLIP の2種を切り替える
画像から声を作る機能って、v2 系モデルにしかない。だからこのモードだけ、使うモデルが他と違う感じだ

関連記事:
3. 機能2:参照音声(v4.1-Small+VoiceDesign)
参照音声の声の特徴を引き継いで読み上げる機能。
私の普段使いだと、たぶん中心になるのはこれかな。
使うモデルは最新の Irodori-TTS-v4.1-Small
参照音声はフォルダから選ぶ方式。フォルダ内の音声ファイルが一覧になって、下のプレイヤーで再生して確認できる。ちなみに参照音声は30秒まで使われる
「(なし)」を選べば、参照音声なしでも生成できる
声質や話し方を文章で指定する VoiceDesign(キャプション欄)にも対応。参照音声と組み合わせてもいいし、キャプションだけで声を作ることもできる
関連記事:
4. 機能3:バッチ生成(Excel一括生成)
Excel にまとめたセリフ集を、1回の実行で全行ぶん生成して保存しちゃう機能。
セリフが多いときは、これが一番楽だと思う。
入力は Excel 専用。シートの1行目は見出しで、データは2行目から読む
列は A=番号(管理用)、B=ファイルNo.、C=キャラ名、D=参照音声ファイル名、E=セリフ
行ごとに参照音声を読み替えるから、キャラクターごとに声を変えた一括生成ができる
D列が空の行はスキップされる
生成ファイル名は「B_C_E(Eは先頭15文字まで)」+拡張子。Bが数字なら4桁にゼロ埋めされて、再実行したときは同じファイル名を上書きする
行ごとに声を変えられるから、セリフ集を用意すれば、ボイスドラマみたいな音声ドラマもサクッと作れる。
試しに10行回してみたら、全部で23.61秒だった。1行あたり2秒ちょっと。

5. 機能4:モード別保存
保存まわりは、生成方法ごとに独立させてある。
モードを変えるたびに保存先を直す、みたいなことは起きないはずだ。
✅ 保存設定(フォルダ・ファイル名・形式)はモードごとに別々に保持する。キャラ画像で決めた保存先が、参照音声に影響することはない
✅ 形式は flac(劣化なし・標準)/ wav(扱いやすい)/ mp3(小さい)から選べる
✅ キャラ画像と参照音声には「生成結果の自動保存」の ON / OFF ピルがある。OFF のときは生成結果をプレイヤーで聞いて、良かったものだけ「この音声を保存」で後から保存できる
✅ バッチ生成は常時保存。保存先フォルダはバッチの保存設定で変更できる


6. 機能5:絵文字ピッカー(演技タグ46種)
読み上げ文章に入れる演技タグ(絵文字)を、ノードの中で選べる機能。
いちいち別ノードからコピペしなくて済むようにしたやつだ。
「読み上げ文章」の右端の「絵文字」ボタンで、ノードの右側に一覧が開く
タグは全46種で、2列のグリッド表示
クリックすると、テキストのカーソル位置に直接挿入される(コピー&ペーストはいらない)
一覧は開いたまま続けて挿入できるし、ボタンはトグルで開閉する
読み上げ文章の下には、文字数カウンタ(○文字)も表示される
バッチ生成ではセリフが Excel 側にあるから、ピッカーの対象外(タグは E列に直接書いてください)

7. 機能6:モデル登録
使うモデルは、ノード上部の「モデル登録」から3つ登録する。
メイン:Irodori-TTS-v4.1-Small(参照音声/バッチ生成)
アニメ:Tagger(キャラ画像・アニメ絵)
リアル:SigLIP(キャラ画像・リアル寄り画像)
登録した内容はモードを切り替えてもそのまま使える。
最初に1回済ませちゃえば、あとは触らなくて大丈夫なはずだ。

8. 機能7:共通設定(seed/音声の長さ/ステップ数)
3モード共通の設定は、「共通設定」ボタンにまとめてある。
seed:生成の乱数。「実行ごとにランダム」と「固定する」が選べる。モデル・設定・文章・seed が同じなら、同じ読み方を再現しやすくなる
音声の長さ(秒):0 で自動推定(キャラ画像モードでは、0 のとき30秒として扱う)
ステップ数:生成計算の繰り返し回数。基本は 40 で大丈夫だと思う
それ以外の細かい生成パラメータは内部に固定してあって、画面には出していない。
「普段触るものだけ表に出す」という、仕様編で決めた方針どおりだ。
ちなみに、表に出ている項目には全部「?」が付いていて、説明が読める。
その説明を読めば、使い方はだいたい分かるように作ってある。迷ったら、まず「?」を見てほしい。
カスタムノードって、英語のものが多くて、日本語のものは少ない。
だから、ラベルも説明も、なるべく日本語で分かるように作ってある。

9. バッチを支える仕組み(事前チェック・進捗表示・失敗行の表示)
バッチ生成には、実際に運用すると効いてくる仕組みを3つ入れてある。
✅ 参照音声の事前チェック:実行前に、Excel の D列の参照音声が全部そろっているか確認する。足りないものがあれば生成を始めないで、見つからないファイル名を重複なしで件数と一緒に表示する。「参照音声をチェック」ボタンで手動確認もできる
✅ 進捗表示:実行中はステータスに「バッチ生成中… ○/○行目」と出る
✅ 失敗行の表示:失敗した行がある場合は、全行の処理が終わったあとに「生成に失敗した行があります(○件):○行目(No.××)」と表示する。成功した行は保存済みだから、失敗した行だけ直して再実行すればいい
10. 技術構成
参照音声/バッチ生成の v4.1-Small は、既存のラッパーノードでは読み込めない。だから公式の推論ランタイムを呼ぶ構成にしてある
キャラ画像モードは、従来のラッパーの仕組み(CharacterVoiceSampler)を内部で使っている
ComfyUI 本体や他のカスタムノードパックには変更を加えない
第1章で書いた「速くなった」の中身も書いておく。
同じセリフで測ってみた。
「こんにちは。本日は新しい環境のテストを兼ねて、マイクの音声チェックを行っています。全体の響きやトーンが、いつも通り綺麗に出ているといいのですが……いかがでしょうか。」
ワークフローで組んでた頃:18.95秒
カスタムノード:3.92秒
3倍どころじゃなくて、4倍以上速かった。
理由は、おそらくこの構成。
ワークフローだと、ノードからノードへ処理を受け渡すたびに、いろいろ挟まってた。
それが1つのノードの内部処理にまとまった分、無駄が減ったんだと思う。


配布物の話も書いておく。
配布は「ComfyUI-OZ」というフォルダをzipにしたもの。
第1弾の収録は、この IrodoriTTS AllInOne だけ。
__init__.pyは、フォルダの中にあるノードだけを登録するローダー式にしてある。無いノードは読みに行かないから、エラーにはならない。
中身はノード一式で、モデル本体は入っていない。モデルは別途用意する形。
バージョンは「ComfyUI-OZ v1.0」(zipのファイル名は ComfyUI-OZ_v1.0.zip)。
同梱物は、ノード本体と画面用スクリプト、公式ランタイム(フォルダ内に同梱)、サンプルワークフロー、Excelのサンプル(SerifSample.xlsx)、README、ライセンス一式。
あと、キャラ画像モードには jupo 版の comfy-Irodori-TTS が別途必要(ComfyUI-Managerから入れる)。参照音声とバッチだけなら要らない。
OSはWindows/Linuxどちらでも使える作り(OS依存の処理は使っていない)。
作者の動作確認はLinux上のComfyUIで行っている。GPUはNVIDIA(CUDA)前提。
11. ライセンスと倫理制限
このノードが利用している Irodori-TTS の公式コード、関連ラッパー、モデル重み(v4.1-Small/v2系)はいずれも MIT ライセンスです。
モデル側には、MIT とは別に倫理面の制限があります。
本人の同意がない実在の人物の声クローンや、なりすましは禁止されています
誤った情報の生成・拡散を目的とした利用は禁止されています
自分のキャラクターや、自分に権利のある音声の範囲でご利用ください。
次回は、この機能を実際に使う手順を追う「使い方編」。
ってことで、続きはそちらで。
ノード一式は、この記事の最後(有料エリア)で販売しています。手順どおりに使いたい方は第3回「使い方編」へ。
仕様を決めた経緯から読みたい人は、第1回「仕様編」からどうぞ。
関連記事(Irodori-TTSをもっと楽しむ):
これらの機能のカスタムノード「OZ IrodoriTTS AllInOne」はここからダウンロードできます。
↓↓↓ 「OZ IrodoriTTS AllInOne」のダウンロード ↓↓↓
ノードの導入:ダウンロードから使えるまで
ここからは有料エリア。
ノード一式(ComfyUI-OZ_v1.0.zip)は、この記事の最後に添付してある。
購入したら、この順番で進めれば使える状態になる。
添付のzipをダウンロードして解凍する。中身は「ComfyUI-OZ」というフォルダ
そのフォルダを、ComfyUI の custom_nodes フォルダの下に置く。すでに ComfyUI-OZ フォルダがある人は、消さないで新しい中身を上書きで合体させる(前のノードは残る)
モデル3種を、ComfyUI の models/checkpoints フォルダに置く。v4.1-Small はフォルダごと、v2系(Tagger/SigLIP)は safetensors を直接置く
ComfyUI を再起動する
ノードの一覧に「OZ IrodoriTTS AllInOne」が出れば、使える状態
フォルダの中にあるノードだけを登録する作りだから、置くだけでエラーにはならないはず。
仕様については記事A(仕様編)へ。
仕様編:
実際の使い方は、記事C(使い方編)へ。
使い方編: