ComfyUI-AudioX是基于香港科技大学全新多模态音频生成框架AudioX开发的专属自定义节点，核心实现视频内容→高度同步音效/背景音乐的自动生成，同时支持文本提示词精准精细化引导，可无缝接入ComfyUI现有工作流，彻底解决视频音频同步生成难、适配性差的痛点，为视频创作提供高效、专业的音频赋能。

Ming-omni-tts模型通过统一连续音频Tokenizer与Diffusion Transformer架构，以12.5Hz帧率处理多模态音频，并借助「Patch-by-Patch」压缩策略将LLM推理帧率降至3.1Hz，在保证高音质的同时大幅降低延迟。