LTXV Reference Audio 节点的官方文档建议准备约5秒的说话人参考音频,并提示过短或过长都可能降低身份迁移效果。节点会把参考音频编码进条件;identity guidance 则是可选的另一条模型计算路径。建议先将 identity_guidance_scale 设为 0 做基线:这会关闭额外前向计算,但不会取消参考音频的条件编码。参考音频是输入,不是最终生成音频。
选择参考音频与引导路径
- 选取目标说话人的录音,记录时长和内容,例如单人清晰讲话,或讲话中混有音乐。约5秒是文档建议,不代表特定句子必需,也不保证身份效果。
- 将录音接到
reference_audio,将 LTXV Audio VAE 接到audio_vae。在 ComfyUI 中核对端口的实际类型标签,不要只凭节点颜色判断。若音频采样率与 VAE 不同,节点会将参考音频重采样到 VAE 的采样率。 - 先制作基线版本,将
identity_guidance_scale设为0。参考音频仍会进入正向和负向条件编码;被关闭的是额外引导计算。 - 如果基线不符合声音身份目标,再单独制作开启 guidance 的对照版本。文档列出的默认强度为
3.0,但这只是可评估的设置,不是改善效果的承诺。该路径会在符合条件的采样步骤中额外执行一次不带参考音频的前向计算,因此计算路径也会改变。 - 为每个版本记录
start_percent和end_percent。它们界定 guidance 生效的采样范围;启用高级选项后,这些控件才可能显示。本文不展开区间实验。
在项目记录中分开标注参考输入和生成文件。验收时独立试听生成结果,不能把上传的参考录音当作目标声音已经生成或保留的证据。
使用双版本验收卡
下表是一个假设的对照记录,不是软件测试结果,也不代表节点的预期保证。观察栏用于说明如何记录判断,而非声称参数必然带来某种变化。
| 版本 | 参考记录 | 引导记录 | 假设的试听观察 | 决定 |
|---|---|---|---|---|
| A | 5.0秒;单人清晰讲话 | 强度0;范围记录为0.0–1.0 | 内容可听懂,但评审认为声音不像目标人物 | 保留为无额外引导的基线 |
| B | 同一段5.0秒参考音频 | 强度3.0;范围记录为0.0–1.0 | 评审觉得更接近,但未作独立验证 | 本项目可继续评估B,不宣称身份迁移有保证 |
实际验收卡还应填写 VAE 采样率、参考音频内容、被评估的生成文件,以及评审者的具体观察。比较时尽量对照同一个已批准目标和一致的试听条件;这是为了便于判断的编辑建议,不是节点文档承诺的行为。
限制与失败后的下一步
官方文档说明该节点用于迁移说话人声音身份,但没有给出身份评分、合格阈值,也不保证某段音频或某个强度能产生预期相似度。文档除了建议约5秒,也没有定义更精确的最佳时长。不要推断更长录音、特定句子或额外细节一定有帮助。
若强度为0的版本不适用,先复核参考音频时长与内容,并确认 audio_vae 连接正确;之后保持参考录音和其他生成输入不变,再评估开启 guidance 的版本。若两版都不满足目标,记录差异并调整参考素材或制作要求,不要把来源录音冒充生成结果。文档规定,只有强度大于0且当前采样步骤落在记录范围内时,额外引导才会生效;并未承诺它能修复不合适的参考音频。
常见追问
强度为0会忽略参考音频吗? 不会。按节点文档,参考音频仍会编码进条件;关闭的是额外的身份引导前向计算。
参考音频就是输出音频吗? 不是。它是用于身份条件的输入。应单独检查实际生成的音频。
本文要调试 `start_percent` 和 `end_percent` 吗? 记录这两个值,因为它们决定启用后的生效范围。详细的区间调参不属于本文范围。
来源与下一步
本文依据公开文档解释操作,并使用明确标注的假设验收示例,不是软件实测。控件与可用功能可能变化,请对照所引手册和你的安装版本。
若你在 Imagild 中继续创作,可将输入要求和验收清单带到微电影工作台。上文讨论的外部软件控件属于其各自产品。