Bark TTS: análise (2026) — o modelo com licença MIT da Suno para risadas, suspiros e fala

O que o Bark realmente faz

• Fala multilíngue. O Bark suporta 13 idiomas, segundo seu README oficial: inglês, alemão, espanhol, francês, hindi, italiano, japonês, coreano, polonês, português, russo, turco e chinês simplificado.
• Geração de sons não verbais. O Bark pode gerar `[laughter], [laughs], [sighs], [gasps] e [clears throat] como indicações de texto embutidas, além de um [music]` simples, documentado diretamente em seu próprio README — este é o recurso que o diferencia de qualquer outro motor de TTS local coberto pela PromptQuorum.
• Mais de 100 predefinições de locutor. O Bark vem com mais de 100 predefinições de locutor integradas em seus idiomas suportados, selecionáveis por meio de um argumento history_prompt (por exemplo, v2/en_speaker_6) em vez de um clipe de áudio de referência.
• Sem clonagem de voz personalizada. A própria documentação da Suno afirma claramente que o Bark "atualmente não suporta clonagem de voz personalizada" — ele pode reproduzir o tom, a altura, a emoção e a prosódia de uma predefinição específica, mas não pode clonar a voz de uma pessoa arbitrária a partir de uma gravação de referência como faz o XTTS v2.
• Saída não determinística. O próprio README do Bark o descreve como tomando "liberdades criativas em suas gerações, resultando em saídas de modelo de maior variância do que abordagens tradicionais de texto para fala" — executar o mesmo prompt duas vezes pode produzir resultados notavelmente diferentes.

Exemplos reais de uso

• Mantenha os prompts em cerca de 13-14 segundos de texto falado. O próprio README do Bark explica que isso é um limite de arquitetura, não um bug: "O Bark é um modelo de estilo GPT, e sua arquitetura/janela de contexto é otimizada para produzir gerações com aproximadamente esse comprimento." Narrações mais longas precisam ser divididas em partes e depois unidas.
• Espere variação entre execuções. Como a saída é não determinística, gere algumas tomadas de qualquer fala que precise soar de uma forma específica e escolha a melhor, em vez de supor que a primeira tomada é representativa.

# Instalar o Bark — NÃO use "pip install bark", que instala um
# pacote sem relação, não gerenciado pela Suno.
pip install git+https://github.com/suno-ai/bark.git

# API Python: geração básica
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)

# Usando uma predefinição de locutor específica em vez de uma voz aleatória
audio_array = generate_audio(
    "This is a specific preset voice speaking a new sentence.",
    history_prompt="v2/en_speaker_6",
)

# Reduzir o uso de memória da GPU em placas menores
import os
os.environ["SUNO_OFFLOAD_CPU"] = "True"
os.environ["SUNO_USE_SMALL_MODELS"] = "True"

Licença e status de manutenção

Para que o Bark não serve

• Clonar a voz de uma pessoa específica. A própria documentação do Bark afirma que "atualmente não suporta clonagem de voz personalizada". Se você precisa clonar uma voz real a partir de uma gravação de referência curta, o XTTS v2 é feito exatamente para isso (embora sob uma licença não comercial) — o Bark não é um substituto.
• Sistemas de produção que precisam de suporte contínuo garantido. Sem commits no repositório público desde 5 de abril de 2024 e com o foco público da Suno tendo mudado para a geração musical por IA, apostar uma dependência de produção na manutenção contínua, patches de segurança ou correções de bugs do Bark é um risco real que a PromptQuorum não pode descartar.
• Aplicações em tempo real de baixa latência em hardware modesto. O próprio README do Bark afirma que "em GPUs mais antigas, Colab padrão, ou CPU, o tempo de inferência pode ser significativamente mais lento" do que a velocidade "aproximadamente em tempo real" que alcança "em GPUs empresariais e PyTorch nightly". Um motor leve como o Piper é mais adequado para uso em tempo real apenas com CPU ou hardware embarcado.
• Saída consistente e repetível. Como o próprio README do Bark descreve suas gerações como de maior variância e não determinísticas do que TTS tradicional, ele é inadequado para qualquer fluxo de trabalho (sistemas IVR, ferramentas de acessibilidade, divulgações regulamentadas) que precise da mesma saída exata todas as vezes para a mesma entrada.
• Narração longa em uma única passagem. O limite de geração de aproximadamente 13-14 segundos, que o Bark atribui em seu próprio README à sua arquitetura de estilo GPT e janela de contexto, significa que uma narração do tamanho de um audiolivro ou podcast longo exige dividir manualmente o texto em partes e unir os arquivos de áudio resultantes.

Alternativas ao Bark

Perguntas frequentes

Veredito

Fontes

• Bark no GitHub — o README oficial: idiomas, predefinições de locutor, tags de sons não verbais, licença e instruções de instalação.
• Histórico de commits do Bark — o registro público de atividade de manutenção, não mostrando commits desde 5 de abril de 2024 na data de publicação desta análise.
• Bark no Hugging Face — a ficha do modelo, refletindo a descrição de recursos e licença do README do GitHub.
• Análise do XTTS v2 — a análise dedicada da PromptQuorum sobre a alternativa de clonagem de voz que o Bark não oferece.
• Licenças de TTS local e clonagem de voz — comparação completa de licenças entre motores de TTS locais.

Leituras relacionadas

• Análise do XTTS v2 — o modelo de clonagem de voz que o Bark não oferece, sob uma licença não comercial.
• Análise do Coqui TTS — um kit mantido pela comunidade e uma alternativa ativamente desenvolvida a um projeto inativo.
• Licenças de TTS local e clonagem de voz: Piper, XTTS v2, F5-TTS e Coqui — a análise aprofundada de licenças entre os principais motores de TTS locais.
• ElevenLabs vs Piper vs XTTS v2 — a comparação entre nuvem e local para leitores decidindo se devem auto-hospedar.
• Análise do Piper TTS — a alternativa de TTS local rápida, com licença permissiva, com manutenção ativa, e apenas CPU.