ComfyUIで音楽・効果音・セリフを作る記事を、作りたい音から選べるようにまとめました。 歌やBGMならACE-Step 1.5 XL、効果音や短いBGMならStable Audio 3、日本語の演技つきのセリフならFish Audio Drama 3、という分かれ方です。
どれもComfyUIで動かした記録で、モデルごとに別の記事に分かれています。「どのモデルから読むか」を決められるように、用途と動かし方を並べました。
| 作りたい音 | 最初に読む記事 | 次に読む記事 |
|---|---|---|
| 歌やBGMを作りたい | ACE-Step 1.5 XL完全ガイド | ACE-StepをRunPodで動かすテンプレート |
| 効果音・短いBGM・ループを作りたい | Stable Audio 3の使い方 | ACE-Step 1.5 XL完全ガイド |
| 日本語のセリフ・掛け合いを作りたい | Fish Audio Drama 3 | MiniMax H3で告知動画（掛け合いの使用例） |
| 手元のGPUが足りない | ACE-StepをRunPodで動かすテンプレート | RunPodでComfyUIを使う読む順番 |
| スクリプトから曲を生成したい | Serverless APIの使い方 | ACE-StepをRunPodで動かすテンプレート |
| 動画に音を付けたい | MiniMax H3で告知動画（音付け） | ComfyUIで動画を作る記事のまとめ |
3つのモデルの使い分け
試した3つのモデルは、作れる音と動かし方が違います。
| モデル | 作れる音 | 動かし方 | 記事 |
|---|---|---|---|
| ACE-Step 1.5 XL | 歌・BGM（歌詞とキャプションを書く） | ComfyUI（ローカル・RunPod） | 完全ガイド |
| Stable Audio 3 | 効果音・BGM・ループ（Small-SFX / Small-Music / Medium） | ComfyUI（ローカル） | 使い方 |
| Fish Audio Drama 3 | 日本語のセリフ・2人の掛け合い | Comfy Cloudのパートナーノード | 検証 |
ACE-StepとStable Audio 3は、モデルをダウンロードして自分のGPUで動かします。Fish Audio Drama 3は、Comfyのパートナーノードが外部のAPIを呼び出す仕組みなので、手元のGPUでは動きません。
全部入れないとダメなの？
ううん、作りたい音に合う1つから始めれば大丈夫だよ。歌ならACE-Step、効果音ならStable Audio 3、セリフならFish Audioだね
歌・BGMを作る（ACE-Step 1.5 XL）
ACE-Step 1.5 XLは、歌詞とジャンルなどのキャプションから曲を作るモデルです。xl-base・xl-sft・xl-turboの3つがあり、記事では次のように整理しています。
- xl-base：試行錯誤やジャンルの探索向け
- xl-sft：音質を優先したい最終出力向け
- xl-turbo：8ステップで速く生成できる。方向性の確認向け
3つを同じプロンプトで聴き比べた結果と、プロンプトの組み立て方、ComfyUIでの実行手順を載せています。
ACE-Step 1.5 XL完全ガイド｜ComfyUIで使えるAI音楽生成モデルの使い方・プロンプト・3つのモデル解説ACE-Step 1.5 XLの3つのモデル（xl-base/sft/turbo）の使い分けからプロンプトの書き方、ComfyUIでの起動手順、RunPodでのクラウド実行まで実用的に解説。MIT商用ライセンスで無料・商用利用OK。
GPUが足りないときは、RunPodで動かせます。公開テンプレートの記事では、RTX 4090で30秒の曲を作ったときの時間を測りました。Turboが25.8秒、BaseとSFTが28秒台で、stepsの差ほどは開きませんでした（同じtext encoderに揃えた測定です）。
ACE-Step 1.5 XLをRunPodで動かす公開ComfyUIテンプレートを作りましたACE-Step 1.5 XLをRunPod上のComfyUIで動かす公開テンプレートをv3.0.0に更新。base/SFT/turbo、qwen text encoder、CUDA 12.8と13.0の使い分け、RTX 4090での生成時間、つまずいた点まで実録でまとめます。
効果音・短いBGMを作る（Stable Audio 3）
Stable Audio 3には、効果音向けのSmall-SFX、BGM・ループ向けのSmall-Music、長尺向けのMediumがあります。最初に試すなら、Small-Musicがおすすめです。ComfyUI v0.22.0以上に標準で入っていて、カスタムノードを足さずに使えます。
Stable Audio 3をComfyUIで使う方法｜Small-Music・SFX・Mediumを実際に生成して検証Stable Audio 3（Small-SFX・Small-Music・Medium）をComfyUIに導入する手順を解説。HuggingFaceからのモデルダウンロードと配置、テンプレートからの起動方法、各モデルで実際に生成した音楽サンプルまでまとめています。商用ライセンス対応で最大6分超の楽曲生成が可能です。
商用利用の条件（Stability AI Community License）も、記事にまとめています。使う前に、最新の条件を公式で確認してください。
日本語のセリフ・掛け合いを作る（Fish Audio Drama 3）
Fish Audio Drama 3は、角括弧の中に演技の指示を書いて、読み方を変えられる読み上げモデルです。Comfy Cloudで試して、指示なしでも感情が乗ること、文の途中で話し方を切り替えられること、笑いは理由まで書かないと浮くことを確かめました。
掛け合い1本（31秒）で、約4クレジットでした。
Fish Audio Drama 3をComfyUIで試してみた──日本語の演技指導と2人の掛け合い、クレジット消費の実際Fish Audioの読み上げモデル「Drama 3」をComfy Cloudのパートナーノードで試しました。日本語のセリフを指示なし・演技指導ありで聞き比べ、2人の掛け合いも1回で生成。笑い方が浮いたときの指示の直し方と、実際のクレジット消費もまとめます。
APIや動画と組み合わせる
作った音を、ほかの作業につなげた記事もあります。
- スクリプトから曲を生成する：RunPod Serverless APIの使い方。ComfyUIのジョブをcurlで投げて曲を生成し、mp3として受け取るまでを書いています
- 動画に音を付ける：MiniMax H3で告知動画。H3の音を外して、映像に合わせたBGMを作り直した流れと、掛け合いの声を作り直した記録を書いています
動画そのものの作り方は、別のまとめにあります。
https://freecraftlog.com/comfyui-video-generation-guide/
ComfyUI自体が初めてのとき
音の生成も、ComfyUIの操作が土台になります。インストールや基本の使い方から確かめたい場合は、初心者向けガイドから読めます。
ローカルAI画像生成の始め方【2026年版】初心者がComfyUIを学ぶ順番ローカルでAI画像生成を始めたい初心者向けに、ComfyUIで学ぶ順番を整理。必要なPCスペック、インストール、モデル選び、最初の1枚、プロンプト、LoRA・ControlNetから動画・音楽生成まで案内します。すでに生成できる人は目的別に次の記事を選べ、GPUがない場合の環境選びも確認できます。
まとめ
ComfyUIで音を作る記事を、作りたい音で整理しました。
- 歌・BGM：ACE-Step 1.5 XL・RunPodテンプレート
- 効果音・短いBGM：Stable Audio 3
- 日本語のセリフ：Fish Audio Drama 3
- APIで使う・動画に付ける：Serverless API・MiniMax H3の告知動画
音の記事を新しく書いたら、このページにも追加していきます。
AI画像生成をご利用の際の重要な注意事項
著作権・知的財産権について
- 既存のキャラクター、作品、ブランドロゴなどの模倣・複製は著作権侵害にあたる可能性があります
- 商用利用時は特に注意が必要です
肖像権について
- 実在人物（著名人・一般人問わず）の顔や特徴を模倣した画像生成はお控えください
- 無断での肖像権使用は法的トラブルの原因となります
利用規約の確認
- 各AI画像生成サービスの利用規約を必ずご確認ください
- 商用利用の可否、生成画像の権利関係は各サービスで異なります
免責事項
- 当ブログの情報を参考にしたAI画像生成により生じた問題について、当ブログは一切の責任を負いません
- 法的問題が生じた場合は、利用者の自己責任となります
- 最新の法律・規約情報は公式情報をご確認ください
適切なAI画像生成を心がけ、創作活動を楽しみましょう。
詳細についてはAIと著作権についてをご覧ください。