Bark
Suno 开源的文本转音频模型,用 Transformer 把文字变成声音,除多语言朗读外还能生成音乐、背景噪声和 [laughs] 这类非语言声音,提供 Python 接口与示例 notebook,适合语音合成研究者写代码实验生成效果。
5 次可以打开平均 1.2 秒
本站从国内机房定期实测。竖条由远及近:绿 = 可以打开,橙 = 国内不可直接访问,灰 = 打不开。Bark 是 Suno 开源的一个文本转音频模型,用 Transformer 架构把一段文字变成声音。它和常见的语音合成不太一样:除了朗读文字,还能生成音乐、背景噪声、简单的音效,以及笑声、叹气、哭泣这类非语言声音。模型权重以预训练检查点形式放出,可以直接推理,也允许商用。
主要能力
输入一段文字,Bark 会输出一段音频。它支持多种语言,能根据输入文字自动判断语言;遇到中英混排的文本,会尝试用对应语言的口音来读。官方说明里提到英文效果目前最好,其他语言会随模型规模扩大继续改善。除了说话,提示词里写上方括号标记,比如 [laughs],就能让生成的语音带上笑声。
用法上,它提供 Python 接口:先加载模型,再把文本传给生成函数,得到音频数组后可以存成 wav 文件。仓库里还有 notebooks 目录,放了长文本生成、声音一致性增强等示例,以及一个声音提示词库,方便找现成的提示词。
适合谁
适合做语音合成、音频生成研究的开发者和团队,也适合想在自己的程序里实验文本转语音效果的人。因为它不是开箱即用的 App,需要写代码、装环境,普通用户直接上手门槛不低。
费用与限制
项目采用 MIT 许可证,可以商用,代码和模型权重都放在 GitHub 上。官方明确说 Bark 是为研究目的开发的,属于完全生成式的文本转音频模型,输出可能以意想不到的方式偏离提示词,Suno 不对生成结果负责。2023 年 5 月的更新里提到 GPU 提速 2 倍、CPU 提速 10 倍,还增加了更小更快的版本,代价是质量略有下降;低显存(小于 4GB)的 GPU 也能跑。
