说到声音克隆，字节跳动的MegaTTS3最近确实引发了不少关注。它不仅支持中英文，还能跨语言克隆，而且生成质量非常高——几乎到了让人分不清原声和合成声的程度。下面就来聊聊这个技术怎么用、怎么装，以及一些需要留意的地方。

ComfyUI 的 MegaTTS3 声音克隆节点

项目的GitHub地址在这里：https://github.com/billwuhao/ComfyUI_MegaTTS3。如果你已经在用ComfyUI做图像或视频生成，那这个节点可以直接集成进来，省去单独部署的麻烦。

声音克隆质量非常高，支持中英文，并可跨语言克隆。

更新日志：2025年4月6日，发布了v1.0.0版本。

安装方法

安装很简单，把项目clone到ComfyUI的custom_nodes目录下，然后安装依赖就行。如果用的是Python内嵌版（python_embeded），注意用对应的pip命令。具体如下：

cd ComfyUI/custom_nodes
git clone https://github.com/billwuhao/ComfyUI_MegaTTS3.git
cd ComfyUI_MegaTTS3
pip install -r requirements.txt

# 如果是python_embeded环境，用这个命令：
./python_embeded/python.exe -m pip install -r requirements.txt

模型下载

模型和音色需要手动下载，放到 ComfyUI/models/TTS 路径下。

首先，从Hugging Face下载整个 MegaTTS3 文件夹（下载地址），将其放到 TTS 文件夹下。

然后，在 MegaTTS3 文件夹中新建一个 speakers 文件夹，从Google Drive（下载地址）下载所有 .wa v 和 .npy 文件，放到 speakers 文件夹下。

音色克隆与安全考量

目前有一个比较遗憾的地方：不能自定义克隆任意声音。因为克隆质量实在太高了，官方出于安全考虑没有开放自定义参数——你想想，如果谁都能随意克隆别人的声音拿去反诈，那后果确实很严重。所以目前的做法是，你可以上传要克隆的声音样本（长度限制在24秒以内），提交申请，官方审核后会加入音色库。申请地址在这里：https://drive.google.com/drive/folders/1gCWL1y_2xu9nIFhUX_OW5MbcFuB7J5Cl。目前这个音色库已经有近300种音色了，覆盖了各种口音和风格，基本够用。

鸣谢

• 字节跳动MegaTTS3官方项目：https://github.com/bytedance/MegaTTS3

效果演示：前面是原声，后面是克隆结果。下面五个示例可以直观感受一下差异：

01

02

03

04

05