Bark 评测(2026):Suno 旗下支持笑声、叹息与语音的 MIT 许可模型

Bark 实际能做什么

• 多语言语音。 根据其官方 README,Bark 支持 13 种语言: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、土耳其语和简体中文。
• 非语音声音生成。 Bark 可以生成 `[laughter]、[laughs]、[sighs]、[gasps] 和 [clears throat] 等内嵌文本提示,以及简单的 [music]`,这些都直接记录在其官方 README 中——这是使它区别于 PromptQuorum 所涵盖的任何其他本地 TTS 引擎的特性。
• 超过 100 种说话人预设。 Bark 内置超过 100 种跨支持语言的说话人预设,可通过 history_prompt 参数(例如 v2/en_speaker_6)选择,而不是通过参考音频片段。
• 不支持自定义声音克隆。 Suno 自己的文档明确指出 Bark "目前不支持自定义声音克隆"——它可以匹配给定预设的音调、音高、情感和韵律,但无法像 XTTS v2 那样从参考录音中克隆任意人物的声音。
• 输出不确定。 Bark 自己的 README 将其描述为在生成中"采取一定的创造性自由,导致模型输出的方差高于传统文本转语音方法"——两次运行相同的提示可能会产生明显不同的结果。

真实使用示例

• 将提示控制在约 13-14 秒的口语文本以内。 Bark 自己的 README 解释说这是架构限制,而非缺陷:"Bark 是一个 GPT 风格的模型,其架构/上下文窗口经过优化,以输出大约这个长度的生成结果。" 更长的旁白内容需要拆分成多个片段,然后再拼接起来。
• 预期不同运行之间存在差异。 由于输出是不确定的,对于任何需要以特定方式呈现的台词,请生成几次并从中挑选最佳版本,而不是假设第一次生成就具有代表性。

# 安装 Bark —— 不要使用 "pip install bark",那会安装一个
# 不相关的软件包,且不由 Suno 管理。
pip install git+https://github.com/suno-ai/bark.git

# Python API:基本生成
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)

# 使用特定的说话人预设而非随机声音
audio_array = generate_audio(
    "This is a specific preset voice speaking a new sentence.",
    history_prompt="v2/en_speaker_6",
)

# 在较小显卡上减少 GPU 内存占用
import os
os.environ["SUNO_OFFLOAD_CPU"] = "True"
os.environ["SUNO_USE_SMALL_MODELS"] = "True"

许可证与维护状态

Bark 不适合的场景

• 克隆特定人物的声音。 Bark 自身文档指出它"目前不支持自定义声音克隆"。如果你需要从简短的参考录音中克隆真实声音,XTTS v2 正是为此而设计的(尽管采用非商业许可证)——Bark 不能替代它。
• 需要保证持续支持的生产系统。 由于公开仓库自 2024 年 4 月 5 日以来没有任何提交,加上 Suno 的公开重心已转向 AI 音乐生成,将生产环境的依赖押注在 Bark 持续维护、安全补丁或错误修复上,是 PromptQuorum 无法排除的真实风险。
• 在中低端硬件上的低延迟实时应用。 Bark 自己的 README 指出,"在较旧的 GPU、默认的 Colab 或 CPU 上,推理时间可能明显更慢",而不是它"在企业级 GPU 和 PyTorch nightly 上"达到的"接近实时"的速度。像 Piper 这样的轻量级引擎更适合仅使用 CPU 或嵌入式硬件的实时使用场景。
• 一致且可重复的输出。 由于 Bark 自身的 README 将其生成描述为比传统 TTS 方差更高、更不确定,它不适合任何需要对相同输入每次都产生完全相同输出的工作流程(交互式语音应答系统、无障碍工具、受监管的信息披露)。
• 单次生成完成长篇旁白。 Bark 在其自身 README 中将约 13-14 秒的生成时长限制归因于其 GPT 风格架构和上下文窗口,这意味着有声读物长度或长播客的旁白需要手动将文本拆分为多个片段,然后拼接生成的音频文件。

Bark 的替代方案

常见问题

结论

来源

• GitHub 上的 Bark——官方 README:语言、说话人预设、非语音声音标签、许可证和安装说明。
• Bark 提交历史——维护活动的公开记录,截至本评测发布时,显示自 2024 年 4 月 5 日以来没有任何提交。
• Hugging Face 上的 Bark——模型卡,反映了 GitHub README 中的功能和许可证说明。
• XTTS v2 评测——PromptQuorum 对 Bark 未提供的声音克隆替代方案的专门评测。
• 本地 TTS 与声音克隆许可证——本地 TTS 引擎间的完整许可证比较。

相关阅读

• XTTS v2 评测——Bark 未提供的声音克隆模型,采用非商业许可证。
• Coqui TTS 评测——一个社区维护的工具包,也是一个停滞项目的积极开发替代方案。
• 本地 TTS 与声音克隆许可证:Piper、XTTS v2、F5-TTS 和 Coqui——主要本地 TTS 引擎间的许可证深度解析。
• ElevenLabs 对比 Piper 对比 XTTS v2——为决定是否自托管的读者提供的云端与本地对比。
• Piper TTS 评测——快速、许可宽松、积极维护、仅需 CPU 的本地 TTS 替代方案。