feat: Add multi-speaker support (up to 10), pause control, and separated speaker audio outputs from Soul-AILab/SoulX-Podcast#22

README.md

@@ -8,9 +8,10 @@ ComfyUI-SoulX-Podcast 是一个用于 ComfyUI 的自定义节点插件，将 Sou
 
 ## ✨ 主要特性
 
-- 🎙️ **双人播客生成**：支持两个说话人的对话生成
+- 🎙️ **多人播客生成**：支持最多 10 个说话人的对话生成（S1-S10）
 - 🌍 **多方言支持**：支持多种中文方言（需使用方言模型）
 - 📝 **灵活的对话脚本**：通过简单的脚本格式定义对话
+- ⏸️ **停顿控制**：支持内联停顿标签 `<|pause:MS|>` 和不同说话人间停顿配置
 - 🎵 **提示音频驱动**：使用参考音频（Suno）来克隆说话人的音色
 - 🔄 **长文本生成**：支持生成长篇播客内容
 - 🎛️ **可视化工作流**：在 ComfyUI 中通过节点连接完成整个生成流程
@@ -112,7 +113,7 @@ ComfyUI/
 
 ### 节点二：SoulX Podcast Input Parser（播客输入处理器）
 
-**功能**：处理所有输入数据（音频、文本、对话脚本），并预处理为模型可以使用的格式。**支持双人对话（S1和S2）**。
+**功能**：处理所有输入数据（音频、文本、对话脚本），并预处理为模型可以使用的格式。**支持最多 10 个说话人（S1-S10）**。
 
 #### 必需输入
 
@@ -126,8 +127,10 @@ ComfyUI/
 | 参数名 | 类型 | 说明 |
 |--------|------|------|
 | **S1_prompt_audio** | AUDIO | 说话人1（S1）的提示音频，用于提取音色特征 |
-| **S2_prompt_audio** | AUDIO | 说话人2（S2）的提示音频（可选，用于双人对话） |
-| **dialogue_script** | 多行文本 | 对话脚本，定义整个播客的对话内容<br>格式：`[S1] 第一句话\n[S2] 第二句话`<br>系统会自动从每个说话人的第一句话中提取提示文本 |
+| **S2_prompt_audio** | AUDIO | 说话人2（S2）的提示音频（可选，用于多人对话） |
+| **S3-S10_prompt_audio** | AUDIO | 说话人3-10的提示音频（可选，根据需要连接） |
+| **dialogue_script** | 多行文本 | 对话脚本，定义整个播客的对话内容<br>格式：`[S1] 第一句话\n[S2] 第二句话\n[S3] 第三句话`<br>支持内联停顿标签：`[S1] 你好 <|pause:500|> 世界`<br>系统会自动从每个说话人的第一句话中提取提示文本 |
+| **diff_spk_pause_ms** | 整数 | 不同说话人之间的停顿时间（毫秒），默认为 0 |
 
 #### 输出
 
@@ -226,8 +229,24 @@ S1 你好  # ❌ 缺少方括号
 ```
 [S1] 你好  # ✅ 正确
 [S2] 你好  # ✅ 正确
+[S3] 你好  # ✅ 正确（支持 S1-S10）
 ```
 
+### Q5: 如何使用停顿控制？
+
+**内联停顿标签**：
+```
+[S1] 今天天气不错 <|pause:500|> 我们出去走走吧 <|pause:800|> 怎么样？
+[S2] 好的 <|pause:200|> 走吧
+```
+- `<|pause:MS|>` 中的 MS 是停顿时长，单位为毫秒
+- 可以在同一说话人的文本中插入多个停顿标签
+
+**说话人间停顿**：
+- 在 Input Parser 节点中设置 `diff_spk_pause_ms` 参数
+- 此参数控制不同说话人之间自动插入的停顿时长（毫秒）
+- 默认值为 0（无停顿）
+
 
 ---
 

README_EN.md

@@ -8,9 +8,10 @@ ComfyUI-SoulX-Podcast is a custom node plugin for ComfyUI that packages the core
 
 ## ✨ Key Features
 
-- 🎙️ **Two-Person Podcast Generation**: Supports dialogue generation between two speakers
+- 🎙️ **Multi-Speaker Podcast Generation**: Supports dialogue generation with up to 10 speakers (S1-S10)
 - 🌍 **Multi-Dialect Support**: Supports multiple Chinese dialects (requires dialect model)
 - 📝 **Flexible Dialogue Scripts**: Define dialogues through simple script format
+- ⏸️ **Pause Control**: Supports inline pause tags `<|pause:MS|>` and configurable pauses between different speakers
 - 🎵 **Prompt Audio Driven**: Clone speaker voice characteristics using reference audio (Suno)
 - 🔄 **Long-Form Generation**: Supports generation of long-form podcast content
 - 🎛️ **Visual Workflow**: Complete the entire generation process through node connections in ComfyUI
@@ -112,7 +113,7 @@ This example includes:
 
 ### Node 2: SoulX Podcast Input Parser
 
-**Function**: Processes all input data (audio, text, dialogue script) and preprocesses it into a format usable by the model. **Supports two-person dialogue (S1 and S2)**.
+**Function**: Processes all input data (audio, text, dialogue script) and preprocesses it into a format usable by the model. **Supports up to 10 speakers (S1-S10)**.
 
 #### Required Inputs
 
@@ -126,8 +127,10 @@ This example includes:
 | Parameter | Type | Description |
 |-----------|------|-------------|
 | **S1_prompt_audio** | AUDIO | Speaker 1 (S1) prompt audio for extracting voice characteristics |
-| **S2_prompt_audio** | AUDIO | Speaker 2 (S2) prompt audio (optional, for two-person dialogue) |
-| **dialogue_script** | Multi-line text | Dialogue script defining the entire podcast dialogue<br>Format: `[S1] First sentence\n[S2] Second sentence`<br>The system automatically extracts the first sentence from each speaker as prompt text |
+| **S2_prompt_audio** | AUDIO | Speaker 2 (S2) prompt audio (optional, for multi-speaker dialogue) |
+| **S3-S10_prompt_audio** | AUDIO | Speaker 3-10 prompt audio (optional, connect as needed) |
+| **dialogue_script** | Multi-line text | Dialogue script defining the entire podcast dialogue<br>Format: `[S1] First sentence\n[S2] Second sentence\n[S3] Third sentence`<br>Supports inline pause tags: `[S1] Hello <|pause:500|> world`<br>The system automatically extracts the first sentence from each speaker as prompt text |
+| **diff_spk_pause_ms** | Integer | Pause duration in milliseconds between different speakers, default is 0 |
 
 #### Output
 
@@ -226,8 +229,24 @@ S1 Hello  # ❌ Missing brackets
 ```
 [S1] Hello  # ✅ Correct
 [S2] Hello  # ✅ Correct
+[S3] Hello  # ✅ Correct (supports S1-S10)
 ```
 
+### Q5: How to use pause control?
+
+**Inline pause tags**:
+```
+[S1] The weather is nice today <|pause:500|> let's go for a walk <|pause:800|> shall we?
+[S2] Sure <|pause:200|> let's go
+```
+- `<|pause:MS|>` where MS is the pause duration in milliseconds
+- Multiple pause tags can be inserted in the same speaker's text
+
+**Pause between speakers**:
+- Set the `diff_spk_pause_ms` parameter in the Input Parser node
+- This parameter controls the automatically inserted pause duration (milliseconds) between different speakers
+- Default value is 0 (no pause)
+
 ---
 
 ## 📚 Technical Architecture