■ **概要** MicrosoftのVibeVoiceをComfyUIに統合したTTSノード群。画像生成ワークフロー内でテキスト音声合成を一元化する。 ■ **特徴・用途** - **マルチスピーカー＋ボイスクローニング**: 最大4スピーカーの会話生成と参照音声クローニングで、キャラクター音声・ナレーション生成の自動化に適する。 - **メモリ最適化**: 4/8-bit量子化＋MPS/CUDA対応で、ローカルGPU実行の敷居を大きく下げている。実装はLORA微調整・速度調整・ポーズタグなどComfyUI向けに細部まで実装済み。 - **実務向け**: テキストチャンキング・ノードチェーン・中断機能など、長尺生成・複合ワークフローに対応。 ■ **結論** 機能は充実しているが、品質（自然性・話者多言語対応）の公開情報がなく、実運用前に実測検証が必須——特にクローニング品質とモデルの学習言語が不明。