Durante años, el flujo de trabajo en ComfyUI ha ido creciendo en todas las direcciones: imagen, vídeo, 3D, texto, código. Pero el audio siempre fue la asignatura pendiente. Generabas tu secuencia de vídeo IA, salías de ComfyUI, abrías otra herramienta, generabas la voz o los efectos, volvías, sincronizabas a mano. Un proceso que rompía el ritmo de cualquier pipeline serio.

Eso acaba de cambiar.

Los Partner Nodes: ComfyUI como plataforma

Antes de entrar en ElevenLabs, conviene entender el contexto. ComfyUI lleva meses consolidando su modelo de Partner Nodes: integraciones oficiales con servicios externos que funcionan directamente dentro del canvas, como un nodo más. Ya teníamos FAL, Luma, Kling y otros para generación de vídeo o imagen. La lógica es clara: ComfyUI deja de ser solo un motor de difusión local y se convierte en una plataforma de orquestación multimodal.

ElevenLabs es la incorporación más relevante hasta la fecha en lo que respecta al audio.

Qué trae ElevenLabs al canvas

La integración llega con siete nodos diferenciados. No todos tienen el mismo peso práctico, así que vamos con criterio:

Text to Speech — El más obvio y el más útil para la mayoría. Escribes el texto, eliges la voz, obtienes el audio. Para proyectos de vídeo con narración, demostraciones de producto, e-learning o contenido en redes, esto elimina un paso completo del flujo.

Speech to Speech — Transforma la identidad de una voz manteniendo la cadencia y la emoción original. Tiene aplicaciones claras en doblaje, prototipado de personajes o adaptación de locuciones entre idiomas sin volver a grabar.

Speech to Text — Transcripción directa dentro del flujo. Lo interesante aquí no es la transcripción en sí, sino lo que permite encadenar después: pasar el texto a un nodo LLM, generar subtítulos automáticos, o construir pipelines que reaccionen al contenido hablado.

Voice Isolation — Limpieza de voz sobre grabaciones con ruido de fondo, música o ambiente. Útil para proyectos que trabajan con audio de campo o cuando el material de partida no es limpio.

Text to Dialogue — Quizás el nodo más llamativo conceptualmente. Genera conversaciones multi-speaker desde un texto de entrada, con control sobre quién habla en cada momento. El potencial para podcasts automatizados, audiolibros o prototipos de diálogo para videojuegos es evidente.

Text to Sound Effects — Describe un sonido y lo genera. Lluvia, pasos, ambientación sci-fi, efectos para motion graphics. Para quienes trabajan en vídeo o animación, tener esto dentro del canvas sin salir a bancos de sonido es un ahorro real de tiempo.

Voice Selector — Acceso a la librería de voces de ElevenLabs directamente desde el nodo. Sin setup adicional.

Lo que esto significa en la práctica

La pregunta relevante no es “¿qué hace cada nodo?” sino “¿qué flujos completos se vuelven posibles ahora?”

Algunos ejemplos concretos:

  • Pipeline de vídeo con narración end-to-end: prompt → imagen → vídeo (Kling/Luma) → texto → voz (ElevenLabs) → render final. Todo en un solo grafo, sin salir del canvas.
  • Producción de contenido automatizada: para estudios o agencias que generan volumen de piezas, encadenar generación visual + locución en el mismo flujo reduce el tiempo de producción de manera significativa.
  • Prototipado de experiencias interactivas: un flujo que tome audio de entrada, lo limpie, lo transcriba, lo procese con un LLM y genere una respuesta en voz sintética. En ComfyUI, eso ya se puede conectar nodo a nodo.

Lo que une todos estos casos es la misma idea: menos cambios de contexto, más control sobre el flujo completo.

Una reflexión sobre hacia dónde va ComfyUI

Hace dos años, ComfyUI era fundamentalmente una herramienta para correr Stable Diffusion de forma avanzada. Hoy es algo diferente: un entorno de orquestación donde puedes conectar modelos locales con servicios en la nube, combinar modalidades, y construir pipelines que hace poco habrían requerido un equipo de ingeniería.

La integración de ElevenLabs no es una feature más. Es una señal de por dónde va el ecosistema: hacia flujos de producción completos, multimodales, que viven dentro de un solo canvas.

Para quienes ya trabajan con ComfyUI, merece la pena explorar estas posibilidades ahora que el audio entra en juego. Para quienes aún están valorando si adoptar la herramienta, este tipo de integraciones hacen la curva de aprendizaje más justificada que nunca.

¿Estás construyendo pipelines con ComfyUI o explorando cómo integrarlo en tu flujo de producción? En Artefaktos 3D trabajamos con estos flujos en proyectos reales — si tienes preguntas o quieres intercambiar perspectivas, escríbenos.