メインコンテンツへスキップ
見出し画像

【ComfyUI】キャラ画像も参照音声もExcel一括も、もう組み替えない。Irodori-TTS統合ノード「OZ IrodoriTTS AllInOne」の仕様

    【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。
    「キャラ画像」「参照音声」「セリフ集のバッチ」――作り方ごとにバラバラだったIrodori-TTSを、1ノードにまとめようと思う。

    この記事は、そのための「仕様をどう決めたか」の記録。

    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」(この記事)
    第2回:機能解説編

    第3回:使い方編

    1. なぜ作ろうと思ったか

    Irodori-TTSをComfyUIで使ってるんだけど、生成そのものより、その前後の準備がとにかくめんどくさい。

    やりたいことは、大きく3つしかない。

    • キャラクターの画像から、そのキャラらしい声を作る

    • 手持ちの参照音声の声で、文章を読み上げる

    • セリフ集をまとめて一括で読み上げる

    ところが実際は、方法ごとにノードやワークフローが分かれてて、設定もあちこちに散らかってた。
    方法を切り替えるたびに組み直したり、保存先を直したり。
    正直、生成より、その手前の準備のほうが目立つ状態だったと思う。
    もうひとつ、モデル側の不満もあった。
    前のワークフローのままだと、参照音声やバッチで使うメインモデルが古いモデルのままで、最新の v4.1-Small に置き換わってなかった。
    作り直すなら、メインモデルは最新にしたい。
    それも動機のひとつ。
    ならば、3つの方法を1つのノードにまとめてしまおう。
    そう決めて、まず仕様から固めることにした。

    画像

    2. 仕様の大方針:3つの作り方を1ノードに

    大方針はシンプル。
    これはワークフローの組み替えじゃない。
    3つの作り方を、カスタムノードとして新しく作ることにした。

    • ✅ 3つの作り方は、別々のノードではなく1ノード内の「モード」にする

    • ✅ モードごとに必要な設定だけを見せて、関係ない設定は隠す

    • ✅ 保存まわりはモードごとに完結させる

    置き場所も決めた。
    自作のカスタムノードは「ComfyUI-OZ」というフォルダに集めることにした。
    今後もカスタムノードを作るたびに、このフォルダに追加していく。「OZカスタムノード集」という位置づけ。
    第1弾は「ComfyUI-OZ v1.0」として、この IrodoriTTS だけ。
    完成形のイメージは、この形。

    画像

    3. 仕様1:モード切替はボタン1つ

    モードの切り替えは、ノード上部の「セリフ生成方法」の3つのボタンだけ。
    ピンをつなぎ替える方式にはしない。
    つなぎ替えって、地味にめんどくさいので。

    • ボタンは「キャラ画像」「参照音声」「バッチ生成」の3つ

    • 実行されるのは、選んだ1つのモードだけ

    • モードを変えても、他のモードの設定は消えずに残る

    画像

    4. 仕様2:モデルは「使い分け」を仕様にする

    ここが一番の判断ポイントだったと思う。
    モデルの事情が、作り方ごとに違うから。

    • 画像から声を作る Character Voice は、v2 系モデル(Tagger/SigLIP)だけの機能で、最新モデルにはない

    • 参照音声とバッチは、最新の v4.1-Small が本命です。ただし v4 系は既存のラッパーノードでは読み込めない

    「全部を最新モデルに寄せる」は、仕様として無理がある。
    なので、方法ごとに合ったモデルを使い分けることを仕様にした。
    使う側からは、モデル登録を最初に済ませれば、あとはモード切替だけで済む形にする。
    関連記事:

    5. 仕様3:保存はモード別に持つ

    キャラ画像と参照音声とバッチでは、保存したいフォルダもファイル名も、だいたい違う。

    共通の保存設定1つにすると、モードを変えるたびに直すことになる。
    それは避けたい。
    ってことで、仕様はこうした。

    • ✅ 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持つ

    • ✅ 自動保存の ON / OFF もモードごとに切り替える

    • ✅ バッチだけは性質上、常時保存に固定する

    • ✅ 自動保存が OFF のときも、結果を聞いて「良かったものだけ後保存」できるようにする

    6. 仕様4:バッチはExcel専用にする

    バッチの入力は、当初テキストファイルも考えたけど、Excel専用に決めた。

    理由は、「行ごとに参照音声を指定できる」ことが必要だから。
    テキストだと、キャラごとの声の指定が持てない。
    Excelの仕様はこう決めた。

    • 1行目は見出し、データは2行目から

    • 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

    • 生成ファイル名は「B_C_E(Eは先頭15文字まで)」。Bが数字なら4桁にゼロ埋め

    • D列が空の行はスキップ。ファイル名に使えない文字は置換せず除去

    • 実行前に、D列の参照音声が全部そろっているか自動チェックし、足りなければ生成を始めない
      最後のチェックは、外せない仕様。
      長いバッチを走らせてから「ファイル名を1つ書き間違えてた」と気づく手戻りが、一番もったいないと思うから。

    用途として大きいのは、これ。
    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をサクッと作れるようになること。
    掛け合いのセリフでも、行ごとに声を変えて一括で作れる。

    画像

    7. 仕様5:絵文字ピッカーは内蔵する

    ってことで、ピッカーはノード内に内蔵することにした。
    Irodori-TTS では、読み上げ文章の中の絵文字が「演技タグ」になる。
    これまでは別のピッカーノードから絵文字をコピーして貼り付けてたけど、その行き来も手間のうちだった。

    • 「絵文字」ボタンで一覧(全46タグ)を開く

    • クリックで、テキストのカーソル位置に直接入る

    • 一覧は開いたまま、続けて複数入れられる

    画像

    関連記事:

    8. 仕様6:設定は「表に出すもの/内部に固定するもの」を分ける

    設定項目を全部表に出すと、ノードが設定だらけになって、かえって分かりにくくなる。

    • 普段触るもの(モード、文章、参照音声、保存)だけを表に出す

    • めったに触らない生成パラメータの細部は、内部に固定する

    • 共通設定(seed/音声の長さ/ステップ数)とモデル登録は、ボタン+ポップアップにまとめる

    「なぜその設定が画面にあるのか」を説明できないものは、出さない。
    これを、仕様の決め方にした。

    あと、表に出した項目には「?」の説明を付ける。
    その説明を読めば、使い方はだいたい分かるように書く。ここも仕様のうちだと思う。

    そもそも、カスタムノードって英語のものが多くて、日本語で分かるものが少ない。
    だから、ラベルも説明も、なるべく日本語で分かるものを作りたかった。ここも仕様のうち。

    9. 入れなかったもの(やらないこと)

    仕様を決める段階で、外したものもある。

    • テキストファイル方式のバッチ(Excel専用に一本化)

    • キャラ画像のピン接続(ノード内アップロード方式に一本化)

    • モード共通の保存設定(モード別に分けたため不要)

    足すより先に「やらないこと」を決めたほうが、全体が締まる気がする。

    10. この仕様で作ります(次回予告)

    というわけで、仕様はこれで固まった。
    次回は、この仕様で実際に作った「OZ IrodoriTTS AllInOne」の機能を解説する。

    使い方を手順で追う「使い方編」も用意する。

    ここの仕様で作ったノード一式は、この記事の最後(有料エリア)で販売しています。まず機能を知りたい方は第2回へ。
    最後に、結果を少しだけ先に書いておく。
    実際に作って使ってみたら、ワークフローで組んでた頃より、生成が速くなった。
    同じ内容で比べたら、18.95秒かかってたのが3.92秒。
    3倍どころか、4倍以上速い。
    正直、これはちょっとびっくりした。その話は次回以降で。

    画像
    画像

    なお大事な前提として、このノードは Irodori-TTS の仕組みの上に作るものです。コードとモデルは MIT ライセンスですが、モデルには「本人の同意がない実在の人物の声の再現」や「なりすまし」を禁じる倫理制限があります。自分のキャラクターや、自分に権利のある音声で使うための道具として作ります。

    この仕様で作ったカスタムノード「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、この順番で進めば使える状態になる。
    1. 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
    2. 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)
    3. 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
    4. ComfyUI を再起動する
    5. 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。

    構築方法の詳しい話は、記事B(機能解説編)へ。
    機能解説編:

    実際の使い方は、記事C(使い方編)へ。
    使い方編:


     
     

    OZWALD

     
     
    毎日が暇。 暇は自由だ、やりたいことだけで生きていける。

    あなたへのおすすめ