Barkレビュー(2026):笑い声・ため息・音声を生成するSunoのMITライセンスモデル

Barkが実際に行うこと

• 多言語音声。 公式READMEによれば、Barkは英語、ドイツ語、スペイン語、フランス語、ヒンディー語、イタリア語、日本語、韓国語、ポーランド語、ポルトガル語、ロシア語、トルコ語、簡体字中国語の13言語に対応している。
• 非音声サウンドの生成。 Barkは `[laughter]、[laughs]、[sighs]、[gasps]、[clears throat] を埋め込みテキストの合図として生成でき、さらに簡単な [music]` にも対応していることが、公式README自体に直接文書化されている — これがPromptQuorumで扱う他のどのローカルTTSエンジンとも一線を画す特徴である。
• 100種類以上の話者プリセット。 Barkは対応言語にまたがって100種類以上の組み込み話者プリセットを同梱しており、参照音声クリップではなく history_prompt 引数(例:v2/en_speaker_6)で選択できる。
• カスタムボイスクローニング非対応。 Suno自身のドキュメントは、Barkが「現時点でカスタムボイスクローニングには対応していない」と明確に述べている — 指定されたプリセットのトーン、ピッチ、感情、韻律を再現することはできるが、XTTS v2のように参照録音から任意の人物の声をクローンすることはできない。
• 非決定的な出力。 Bark自身のREADMEは、「その生成において創造的な自由を取ることがあり、従来のテキスト読み上げ手法よりも高い分散のモデル出力をもたらす」と説明している — 同じプロンプトを2回実行すると、明らかに異なる結果が生成されることがある。

実際の使用例

• プロンプトは約13〜14秒の音声テキストに収めること。 Bark自身のREADMEは、これがバグではなくアーキテクチャ上の制限であると説明している:「Barkは GPT 風のモデルであり、そのアーキテクチャ/コンテキストウィンドウはおおよそこの長さの生成を出力するように最適化されている」。より長いナレーションはチャンクに分割し、後でつなぎ合わせる必要がある。
• 実行ごとにばらつきがあることを想定する。 出力が非決定的であるため、特定の響きにしたいセリフはいくつかテイクを生成し、最初のテイクが代表的だと想定するのではなく、その中から最良のものを選ぶこと。

# Barkをインストール — Sunoが管理していない無関係なパッケージが
# インストールされる "pip install bark" は絶対に使わないこと。
pip install git+https://github.com/suno-ai/bark.git

# Python API: 基本的な生成
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]"
audio_array = generate_audio(text_prompt)

write_wav("bark_generation.wav", SAMPLE_RATE, audio_array)

# ランダムな声ではなく特定の話者プリセットを使用
audio_array = generate_audio(
    "This is a specific preset voice speaking a new sentence.",
    history_prompt="v2/en_speaker_6",
)

# 小型のGPUでメモリ使用量を削減
import os
os.environ["SUNO_OFFLOAD_CPU"] = "True"
os.environ["SUNO_USE_SMALL_MODELS"] = "True"

ライセンスとメンテナンス状況

Barkが向いていないこと

• 特定の人物の声をクローンすること。 Bark自身のドキュメントは「現時点でカスタムボイスクローニングには対応していない」と述べている。短い参照録音から実在の声をクローンする必要がある場合、XTTS v2はまさにその目的のために作られている(ただし非商用ライセンスの下)— Barkはその代わりにはならない。
• 保証された継続的サポートが必要な本番システム。 公開リポジトリは2024年4月5日以降コミットがなく、Sunoの公開上の注力先が音楽生成AIへ移っていることを考えると、本番運用の依存関係をBarkの継続的なメンテナンス、セキュリティパッチ、バグ修正に賭けることは、PromptQuorumが否定できない現実のリスクである。
• 控えめなハードウェアでの低レイテンシなリアルタイムアプリケーション。 Bark自身のREADMEは、「エンタープライズGPUとPyTorch nightlyでは」達成される「おおよそリアルタイム」の速度に対し、「古いGPU、デフォルトのColab、またはCPUでは、推論時間が著しく遅くなる可能性がある」と述べている。CPUのみや組み込みハードウェアでのリアルタイム利用には、Piperのような軽量エンジンの方が適している。
• 一貫した再現可能な出力。 Bark自身のREADMEが、その生成を従来のTTSよりも分散が大きく非決定的だと説明していることを踏まえると、同じ入力に対して毎回まったく同じ出力が必要なワークフロー(IVRシステム、アクセシビリティツール、規制対象の開示)には不向きである。
• 単一パスでの長時間ナレーション。 Bark自身がREADMEでGPT風アーキテクチャとコンテキストウィンドウに起因すると説明している約13〜14秒の生成時間制限は、オーディオブック並みの長さや長時間ポッドキャストのナレーションには、テキストを手動でチャンクに分割し、生成された音声ファイルをつなぎ合わせる必要があることを意味する。

Barkの代替案

よくある質問

結論

出典

• GitHub上のBark — 公式README:言語、話者プリセット、非音声サウンドタグ、ライセンス、インストール手順。
• Barkのコミット履歴 — メンテナンス活動の公開記録。本レビューの公開時点で2024年4月5日以降のコミットを示していない。
• Hugging Face上のBark — GitHub READMEの機能とライセンスの説明を反映したモデルカード。
• XTTS v2レビュー — Barkが提供しないボイスクローニングの代替案についてのPromptQuorumの専用レビュー。
• ローカルTTSとボイスクローニングのライセンス — ローカルTTSエンジン全体のライセンス完全比較。

関連記事

• XTTS v2レビュー — Barkが提供しない、非商用ライセンスの下でのボイスクローニングモデル。
• Coqui TTSレビュー — コミュニティ維持のツールキットであり、活動していないプロジェクトの活発に開発されている代替案。
• ローカルTTSとボイスクローニングのライセンス:Piper、XTTS v2、F5-TTS、Coqui — 主要なローカルTTSエンジン全体のライセンス詳細解説。
• ElevenLabs vs Piper vs XTTS v2 — セルフホストするかどうかを検討する読者向けの、クラウドとローカルの比較。
• Piper TTSレビュー — 高速で寛容なライセンスの、活発にメンテナンスされている、CPUのみのローカルTTS代替案。