メインコンテンツへスキップ
見出し画像

【爆速】Excelで音声ドラマも作れる!日本語UIのComfyUIノード『OZ IrodoriTTS AllInOne』導入&使い方完全ガイド

    【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。
    必要なモデルの用意から構築、3モードの生成、Excelバッチまで。この記事の手順どおりに進めれば、ノードが使える状態になって、一通り使えるようになる。

    「OZ IrodoriTTS AllInOne」は、ワークフローの組み替えじゃない。

    カスタムノードとして新規に作った、私の自作ノードだ。

    先に言っておくと、このノードは各項目の「?」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。

    記事と「?」を合わせて見れば、大丈夫なはず。

    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から、なるべく日本語で分かるものを作りたかった、というのもある。

    ノード一式は、この記事の末尾に添付している(「ComfyUI-OZ」フォルダのzip)。

    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、各記事の最後に添付している。

    • 第1回:仕様編「仕様を決めた話」

    第2回:機能解説編

    第3回:使い方編(この記事)

    1. 準備するもの(モデル3種を含む)

    構築に入る前に、以下をそろえておく。

    土台:

    • ComfyUI。この記事は、ComfyUI 本体がすでに動く状態からの手順になる(配布版は、素のComfyUI環境で登録と生成を確認済み。OS: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:NVIDIA GPU(CUDA)前提

    モデル3種(すべて Irodori-TTS のモデル。入手先は Hugging Face):

    • メイン:Irodori-TTS-v4.1-Small(参照音声/バッチ生成で使用)

    ・アニメ:Irodori-TTS-500M-v2-Character-Voice-Tagger(キャラ画像・アニメ絵で使用)

    ・リアル:Irodori-TTS-500M-v2-Character-Voice-SigLIP(キャラ画像・リアル寄り画像で使用)

    モデルについての注意:

    • v2系の2つは Aratako ではなく p1atdev の配布。名前が似ているので、入手先を間違えないように

    • 置き場所は ComfyUI の models/checkpoints フォルダ

    • v4.1-Small は、フォルダごと置く形(Irodori-TTS-v4.1-Small フォルダの中に同名の safetensors)が初期値の想定。置き方やファイル名が初期値と違う場合は、後述の「モデル登録」で実際のファイルを選ぶ

    • 3種のうち、キャラ画像モードを使わない場合は v2 系(アニメ/リアル)は後からでも大丈夫。ただしモデル登録の初期値が未配置のままだと、キャラ画像モードの実行時にモデルが見つからないエラーになる。ここ、地味にハマるポイントだと思う

    この記事に添付するもの/自分で用意するもの:

    • ノード一式:この記事に添付(ComfyUI-OZ v1.0)。中身はノード本体、画面用スクリプト、公式ランタイム(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

    • キャラ画像モードで使うラッパーノード(jupo 版 comfy-Irodori-TTS):自分で用意する。ComfyUI-Managerから導入できる。参照音声とバッチだけ使うなら不要

    • v4 系で使う公式ランタイム:ノード一式に同梱されているので、用意は不要

    2. 構築手順:使える状態まで

    手順1:ノードを配置する

    1. この記事に添付したzip(ComfyUI-OZ_v1.0.zip、約146KB)を解凍する。中身は「ComfyUI-OZ」というフォルダ

    2. その ComfyUI-OZ フォルダを、ComfyUI の custom_nodes フォルダの下に置く

    3. すでに ComfyUI-OZ フォルダがある人は、消さないこと。新しいzipの中身を上書きで合体させれば、前のノードは残ったまま、新しいノードが増える

    4. 配布版の __init__.py は、フォルダの中にあるノードだけを登録する作り。無いノードは読みに行かないから、エラーにはならない

    手順2:モデルを配置する

    1. モデル3種を models/checkpoints フォルダに置く(配置の注意は「1. 準備するもの」の通り)

    2. ファイル名が分かるように、置いた場所を控えておくと次の登録が楽になる

    手順3:ComfyUIを再起動して、ノードが出るか確認する

    1. ComfyUI を再起動する

    2. ノード一覧(カテゴリ:OZ)に「OZ IrodoriTTS AllInOne」が出れば、配置は成功

    3. zipの中の workflow フォルダに入っているサンプルワークフロー(OZIrodoriTTS_AllInOne_sample.json)を開くか、ノードをワークフローに配置する。サンプルの初期モードは参照音声

    配置すると、ノードはこんな姿。

    画像

    手順4:モデル登録をする

    1. ノード上部の「モデル登録」ボタンを押す

    2. メイン/アニメ/リアルの3つに、手順2で置いたモデルを選ぶ(配置が初期値どおりなら、基本はそのままで大丈夫)

    3. 閉じれば登録完了。モードを切り替えても登録はそのまま使える

    画像

    手順5:共通設定を確認する

    1. ノード上部の「共通設定」ボタンを押す

    2. 最初は初期値のままで大丈夫(seed の扱い=実行ごとにランダム、音声の長さ=0、ステップ数=40)

    3. seed を固定するのは、気に入った生成を再現したいときだけ

    画像

    手順6:試し生成で動作確認する

    構築の仕上げに、参照音声モードで短い文章を1本だけ生成してみる(詳しい手順は「4. 使い方2」)。

    • 音声が生成されて、ノード内のプレイヤーで聞ければ、構築完了

    • ここでエラーが出る場合は「8. うまくいかないとき」を見てほしい。モデルの配置とモデル登録の選択が、見直しポイントの筆頭だと思う

    あと、試し生成でたぶん気づくと思うけど、生成が速い。

    同じセリフで比べたら、ワークフローの頃の18.95秒が、カスタムノードだと3.92秒だった。

    4倍以上速い。

    カスタムノード化して一番びっくりしたのは、ここだったりする。

    画像
    画像

    3. 使い方1:キャラ画像で作る

    1. 「セリフ生成方法」で「キャラ画像」を選ぶ

    2. 「キャラ種別」で、アニメ(Tagger)か リアル(SigLIP)かを画像に合わせて選ぶ

    3. キャラ画像の枠に画像をドラッグ&ドロップするか、「アップロード」(または枠のクリック)から選ぶ。画像は input フォルダに保存されて、プレビューが表示される。すでにある画像をプルダウンから選ぶこともできる

    4. 「読み上げ文章」にセリフを書く(最初は空欄)

    5. 実行する。生成結果はノード内のプレイヤーで聞ける

    画像

    関連記事:

    4. 使い方2:参照音声で作る

    1. 「セリフ生成方法」で「参照音声」を選ぶ

    2. 参照音声フォルダに、声の元にする音声ファイルを置く(初期値のフォルダは output フォルダからの相対で Read/RefVoice)

    3. フォルダを変えたいときは、ラベル行右端の「参照フォルダ」ボタンから変更する

    4. 「参照音声」の一覧から音声を選ぶ。下のプレイヤーで再生して確認できる(参照音声は30秒まで使われる)

    5. 「読み上げ文章」にセリフを書く

    6. 必要なら「キャプション」に声質や話し方を指定する(VoiceDesign)。基本は空で大丈夫。例:「若くて元気な声」。参照音声と矛盾する指定は不安定になりやすいので避ける

    7. 実行する。生成結果はノード内のプレイヤーで聞ける

    画像

    補足:「参照音声」で「(なし)」を選ぶと、参照音声なしでも生成できる。その場合の声質はキャプションの指定とモデル任せになる。

    関連記事:

    5. 使い方3:Excelバッチで一括生成する

    Excelの作り方

    バッチで読む Excel の形式は固定。サンプル(テンプレート)は配布物に同梱されている(ComfyUI-OZフォルダ内の sample フォルダに SerifSample.xlsx)。これを output/Read/Serif に置いて、書き換えて使えばいい

    • シートの1行目は見出し。データは2行目から書く

    • A列:ナンバリング(処理対象外。管理用に自由に使える)

    • B列:ファイルNo.(生成ファイル名の頭になる。数字なら4桁にゼロ埋めされる)

    • C列:キャラ名(生成ファイル名に入る)

    • D列:参照音声ファイル名(その行で使う参照音声。空の行はスキップされる)

    • E列:セリフ(読み上げる文章。生成ファイル名には先頭15文字まで入る)

    • 生成ファイル名は「B列_C列_E列(先頭15文字まで)」+拡張子。E列にファイル名として使えない文字がある場合は、その文字は置換されずに取り除かれる

    画像

    実行手順

    1. 「セリフ生成方法」で「バッチ生成」を選ぶ

    2. Excelフォルダと参照音声フォルダを確認する。変更は「Excelファイル」欄の右端にある「参照フォルダ」ボタンから行う(初期値は Excel が Read/Serif、参照音声が Read/RefVoice、どちらも output からの相対パス)

    3. 「Excelファイル」で、取り込む.xlsx を選ぶ

    4. 必要なら「キャプション」に、バッチ全体で共通の声質・話し方を指定する

    5. 「参照音声をチェック」を押して、D列の参照音声が全部そろっているか確認する。「全部そろっています(参照音声○件を確認)」と出れば問題ない

    6. 実行する。実行中はステータスに「バッチ生成中… ○/○行目」と進み具合が出る

    画像

    結果の確認

    • バッチは常時自動保存。保存先は「保存設定」ボタン(「参照音声をチェック」の行の右端)で変更できて、初期値は Create/Audio/batch

    • 失敗した行がある場合は、全行の処理後に「生成に失敗した行があります(○件):○行目(No.××)」のように表示される。成功した行は保存済みなので、失敗した行だけ直して再実行すれば大丈夫(同じファイル名は上書きされる)

    • 実行前チェックで参照音声が足りない場合は、生成は始まらず、見つからないファイル名が表示される

    画像

    ちなみに、この10本を生成するのにかかった時間は、全部で23.61秒。

    1本あたり、2秒ちょっと。

    セリフ集さえ用意すれば、ボイスドラマみたいな音声ドラマが、この速さでサクッと作れるようになった。

    画像

    6. 保存の仕方(自動保存と後保存)

    保存設定はモードごとに別々。

    キャラ画像/参照音声の手順は同じ。

    1. 各パネルの「生成結果の自動保存」ピルで、そのモードの自動保存の ON / OFF を切り替える

    2. 「保存設定」ボタンで、保存先フォルダ(output からの相対パス、初期値は Create/Audio)・ファイル名の頭(初期値は Voice)・形式(flac/wav/mp3、基本は flac)を決める

    3. 自動保存が OFF のときは、生成結果はプレイヤーで聞ける。残したいものは「この音声を保存」ボタンで後から保存できる(保存先などは、そのモードの保存設定に従う)

    画像
    画像

    7. 絵文字タグの入れ方

    キャラ画像モードと参照音声モードで使える。

    1. 「読み上げ文章」の右端にある「絵文字」ボタンを押す(ノードの右側に一覧が開く)

    2. 入れたいタグをクリックすると、テキストのカーソル位置にそのまま入る

    3. 一覧は開いたまま続けて入れられる。閉じるときは「絵文字」ボタンをもう一度押す

    4. 文頭に付けたタグで演技が変わる。改行や記号でも間の取り方が変わるので、文章づくりと合わせて調整する

    画像

    バッチ生成でタグを使いたい場合は、Excel の E列に直接書く。

    8. うまくいかないとき

    構築の段階でつまずく場合:

    • ノードが一覧に出ない:custom_nodes への配置場所と、ComfyUI を再起動したかを確認する

    • モデルが見つからないと言われる:checkpoints フォルダにモデルがあるかと、「モデル登録」で選んでいるモデルが一致しているかを確認する(v4.1-Small はフォルダごと置く形が初期値の想定)

    生成の段階でつまずく場合:

    • バッチが始まらない:参照音声の不足が表示されていないかを確認する。D列のファイル名と、参照音声フォルダの中身が一致しているかが見直しポイント

    • 声が途中で切れる:共通設定の「音声の長さ」が短すぎないかを確認する。基本は 0(自動)のままが安全

    • 意図しない声になる:参照音声とキャプションが矛盾していないかを確認する

    9. 動作確認環境

    • 動作確認環境:配布版(ComfyUI-OZ v1.0)を素のComfyUI環境(Linux)に入れて、ノードが登録されることと、参照音声モードで生成した音声が保存されることまで確認済み。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ません)ですが、Windows実機での動作確認は未実施です。NVIDIA GPU(CUDA)前提。キャラ画像モードとバッチ生成は開発版と同一コードですが、配布版での実行確認は未実施です

    • 本ノードは ComfyUI 本体や他のカスタムノードパックには変更を加えません。ただし、利用しているモデルやランタイム側の更新により、将来のバージョンで動作が変わる可能性があります

    • ライセンスと倫理制限は「機能解説編」にまとめています。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

    おわりに

    最後にもうひとつ。

    このノード、ワークフローの頃より生成が速い。

    同じセリフで、18.95秒かかってたのが3.92秒になった。4倍以上速い。

    作る前は「まとめられればいい」くらいに思ってたので、この速さは嬉しい誤算だった。

    セリフ集をExcelで用意してバッチで回せば、ボイスドラマみたいな「音声だけのドラマ」もサクッと作れるようになった。これも嬉しい誤算のひとつ。

    • ✅ 仕様を決めた考え方は第1回「仕様編」に、機能の詳細は第2回「機能解説編」にまとめている

    • ✅ ノード一式はこの記事に添付している。構築は「2. 構築手順:使える状態まで」からどうぞ

    仕様編:

    機能解説編:

    作った声で作品まで作りたい人は、こちらもどうぞ。

    関連記事:

    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

    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。
    ダウンロードしたら、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。

    仕様については記事A(仕様編)へ。
    仕様編:

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

     
     

    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