Bark：Suno 开源的文本到音频生成模型（多语言 TTS/音乐/音效）部署指南
Bark 是 Suno 开源的 Transformer 文本到音频生成模型，采用 GPT 风格架构（类似 AudioLM、Vall-E），用 EnCodec 量化音频表示。它不只是 TTS——能生成高真实感多语言语音、音乐、背景噪声、简单音效，甚至笑声/叹息/哭泣等非语言表达。MIT 协议可商用。
一、项目官方信息
| 项目 | 信息 |
|---|---|
| GitHub 仓库 | suno-ai/bark |
| 在线 Demo | Hugging Face Spaces |
| 开源协议 | MIT（2023-05 起可商用） |
| 主要语言 | Python |
| Star 数 | 39k+ |
| 公司 | Suno（音乐生成公司） |
| 架构 | GPT 风格 + EnCodec |
二、官方图片
Bark 仓库社交预览图：
三、环境要求
- Python 3.9；
- PyTorch 2.0+，CUDA 11.7 / 12.0；
- GPU 推荐（完整版需 12GB 显存；small 版 8GB）；
- scipy、tqdm；
- 首次运行自动从 Hugging Face 下载模型。
四、部署步骤
1. 安装
注意：不要用
pip install bark，那是另一个无关包。
pip install git+https://github.com/suno-ai/bark.git
# 或
git clone https://github.com/suno-ai/bark
cd bark && pip install .
2. 基础推理
from bark import SAMPLE_RATE, generate_audio, preload_models
from scipy.io.wavfile import write as write_wav
preload_models()
text_prompt = """
Hello, my name is Suno. And, uh — and I like pizza. [laughs]
But I also have other interests such as playing tic tac toe.
"""
audio_array = generate_audio(text_prompt)
write_wav("bark_generation.wav", SAMPLE_RATE, audio_array)
3. 命令行
python -m bark --text "Hello, my name is Suno." --output_filename "example.wav"
4. HuggingFace Transformers 调用
from transformers import AutoProcessor, BarkModel
processor = AutoProcessor.from_pretrained("suno/bark")
model = BarkModel.from_pretrained("suno/bark")
voice_preset = "v2/en_speaker_6"
inputs = processor("Hello, my dog is cute", voice_preset=voice_preset)
audio_array = model.generate(**inputs)
audio_array = audio_array.cpu().numpy().squeeze()
5. 多语言（自动检测）
text_prompt = """
추석은 내가 가장 좋아하는 명절이다.
"""
audio_array = generate_audio(text_prompt)
Bark 自动从输入文本判断语言，支持代码切换（中英混读带对应口音）。
6. 指定说话人预设
audio_array = generate_audio(
"I have a silky smooth voice, and today I will tell you about exercise.",
history_prompt="v2/en_speaker_1",
)
7. 生成音乐
text_prompt = """
♪ In the jungle, the mighty jungle, the lion barks tonight ♪
"""
audio_array = generate_audio(text_prompt)
五、使用方法
支持的语言
英语、德语、西班牙语、法语、印地语、意大利语、日语、韩语、波兰语、葡萄牙语、俄语、土耳其语、中文等。英文质量最佳。
非语言声音标签
[laughter]、[laughs]、[sighs]、[music]、[gasps]、[clears throat]；—或...表示犹豫；♪引导歌词；- 大写表示强调；
[MAN]、[WOMAN]偏向男/女声。
显存优化
- 完整版需 12GB 显存；
- small 版：设置环境变量
SUNO_USE_SMALL_MODELS=True，可在 8GB 显存运行； - CPU / 老 GPU 推理慢，建议用 small 版。
长文本
默认 generate_audio 适合约 13 秒语音；长文本参考 notebooks/long_form_generation.ipynb 分段生成。
六、常见问题 FAQ
Q1：Bark 是什么？ Suno 开源的文本到音频生成模型，不只 TTS，还能生成音乐、音效、非语言声音。
Q2：怎么安装？
pip install git+https://github.com/suno-ai/bark.git，不要用 pip install bark。
Q3：支持中文吗？ 支持，自动检测语言；英文质量最好。
Q4：能克隆音色吗？ 不能直接自定义克隆，但提供 100+ 说话人预设。
Q5：长文本怎么生成？
参考 notebooks/long_form_generation.ipynb，分段拼接。
Q6：商用免费吗？ MIT 协议，免费商用。
Q7：需要多大显存？
完整版 12GB，small 版（SUNO_USE_SMALL_MODELS=True）8GB。
七、跳转链接
- GitHub 仓库：suno-ai/bark
- Hugging Face Demo：suno/bark
- Replicate：suno-ai/bark
- HuggingFace 文档：Bark model docs
- 声音预设库：Notion 集合