Bark TTS

Generiere realistische Sprache und Audio mit Bark AI auf Clore.ai

Erzeuge realistische Sprache und Audio mit Bark AI.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über CLORE.AI-Marktplatz.

Serveranforderungen

Parameter	Minimum	Empfohlen
RAM	8 GB	16GB+
VRAM	4 GB (klein)	8 GB+ (normal)
Netzwerk	200Mbps	500Mbps+
Startzeit	3–5 Minuten	-

Startzeit: Beim ersten Start werden die Bark-Modelle heruntergeladen (je nach Netzwerkgeschwindigkeit 3–5 Minuten). Ein HTTP-502-Fehler ist in dieser Zeit normal.

Mieten auf CLORE.AI

1. Besuchen CLORE.AI-Marktplatz

2. Filtern nach GPU-Typ, VRAM und Preis

3. Wähle On-Demand (Festpreis) oder Spot (Gebotspreis)

4. Konfiguriere deine Bestellung:

   • Docker-Image auswählen

   • Ports festlegen (TCP für SSH, HTTP für Web-UIs)

   • Bei Bedarf Umgebungsvariablen hinzufügen

   • Startbefehl eingeben

5. Zahlung auswählen: CLORE, BTC, oder USDT/USDC

6. Bestellung erstellen und auf die Bereitstellung warten

Greife auf deinen Server zu

• Verbindungsdetails finden in Meine Bestellungen

• Web-Oberflächen: Verwende die HTTP-Port-URL

• SSH: ssh -p <port> root@<proxy-address>

Was ist Bark?

Bark von Suno AI kann Folgendes generieren:

• Realistische Sprache in mehreren Sprachen

• Verschiedene Sprecherstimmen

• Nichtsprachliche Geräusche (Lachen, Seufzen)

• Musik und Soundeffekte

• Mehrsprachige Sprache

Anforderungen

Qualität	VRAM	Empfohlen
Klein	4 GB	RTX 3060
Normal	8 GB	RTX 3070
Hoch	12 GB	RTX 3090

Schnell bereitstellen

Docker-Image:

pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime

Ports:

22/tcp
7860/http

Befehl:

pip install git+https://github.com/suno-ai/bark.git gradio scipy && \\
python -c "
import gradio as gr
from bark import SAMPLE_RATE, generate_audio, preload_models
import scipy.io.wavfile as wav
import numpy as np
import tempfile

preload_models()

def generate(text, voice):
    audio = generate_audio(text, history_prompt=voice)
    with tempfile.NamedTemporaryFile(suffix='.wav', delete=False) as f:
        wav.write(f.name, SAMPLE_RATE, (audio * 32767).astype(np.int16))
        return f.name

voices = ['v2/en_speaker_0', 'v2/en_speaker_1', 'v2/en_speaker_2', 'v2/en_speaker_3',
          'v2/en_speaker_4', 'v2/en_speaker_5', 'v2/en_speaker_6', 'v2/en_speaker_7',
          'v2/en_speaker_8', 'v2/en_speaker_9']

demo = gr.Interface(fn=generate, inputs=[gr.Textbox(lines=5), gr.Dropdown(voices)],
                   outputs=gr.Audio(), title='Bark TTS')
demo.launch(server_name='0.0.0.0', server_port=7860)
"

Auf deinen Dienst zugreifen

Nach der Bereitstellung findest du deine http_pub URL in Meine Bestellungen:

1. Gehe zu Meine Bestellungen Seite

2. Klicke auf deine Bestellung

3. Finde die http_pub URL (z. B. abc123.clorecloud.net)

Verwende https://YOUR_HTTP_PUB_URL anstelle von localhost in den folgenden Beispielen.

Prüfen, ob es funktioniert

# Prüfen, ob die Gradio-Oberfläche zugänglich ist
curl https://your-http-pub.clorecloud.net/

Wenn Sie einen HTTP-502-Fehler erhalten, warten Sie 3–5 Minuten – der Dienst lädt Modelle herunter.

Installation

pip install git+https://github.com/suno-ai/bark.git
pip install scipy

Grundlegende Verwendung

from bark import SAMPLE_RATE, generate_audio, preload_models
import scipy.io.wavfile as wav
import numpy as np

# Modelle vorladen (werden beim ersten Lauf heruntergeladen)
preload_models()

# Audio generieren
text = "Hallo, das ist ein Test von Bark Text-zu-Sprache."
audio = generate_audio(text)

# Als WAV speichern
wav.write("output.wav", SAMPLE_RATE, (audio * 32767).astype(np.int16))

Stimmenauswahl

Integrierte Stimmen

# Englische Sprecher (0-9)
audio = generate_audio("Hallo!", history_prompt="v2/en_speaker_0")
audio = generate_audio("Hallo!", history_prompt="v2/en_speaker_3")
audio = generate_audio("Hallo!", history_prompt="v2/en_speaker_9")

# Andere Sprachen
audio = generate_audio("Bonjour!", history_prompt="v2/fr_speaker_0")  # Französisch
audio = generate_audio("Hallo!", history_prompt="v2/de_speaker_0")    # Deutsch
audio = generate_audio("Hola!", history_prompt="v2/es_speaker_0")     # Spanisch
audio = generate_audio("Ciao!", history_prompt="v2/it_speaker_0")     # Italienisch
audio = generate_audio("Olá!", history_prompt="v2/pt_speaker_0")      # Portugiesisch
audio = generate_audio("Привет!", history_prompt="v2/ru_speaker_0")   # Russisch
audio = generate_audio("こんにちは!", history_prompt="v2/ja_speaker_0") # Japanisch
audio = generate_audio("你好!", history_prompt="v2/zh_speaker_0")      # Chinesisch

Verfügbare Sprachen

Sprache	Code	Sprecher
Englisch	en	0-9
Deutsch	de	0-9
Spanisch	es	0-9
Französisch	fr	0-9
Hindi	it	0-9
Italienisch	it	0-9
Japanisch	ja	0-9
Koreanisch	ko	0-9
Polnisch	pl	0-9
Portugiesisch	pt	0-9
Russisch	ru	0-9
Türkisch	tr	0-9
Chinesisch	zh	0-9

Nichtsprachliche Klänge

Bark kann nichtsprachliches Audio generieren:

# Lachen
audio = generate_audio("Hallo! [lacht] Das ist so lustig!")

# Seufzen
audio = generate_audio("[seufzt] Ich bin heute so müde.")

# Keuchen
audio = generate_audio("[keucht] Oh mein Gott!")

# Räuspern
audio = generate_audio("[räuspert sich] Ähem, bitte Aufmerksamkeit.")

# Musiknoten
audio = generate_audio("♪ La la la ♪")

Langform-Audio

Für Texte länger als 13 Sekunden:

from bark import generate_audio
from bark.generation import SAMPLE_RATE
import numpy as np

def generate_long_audio(text, voice="v2/en_speaker_6")】【：】【“】【t_3ae97a4e":"# In Sätze aufteilen","t_6c31ae01":"sentences = text.replace(\".\", \".|\").replace(\"?\", \"?|\").replace(\"!\", \"!|\").split(\"|\")","t_860d3baa":"sentences = [s.strip() for s in sentences if s.strip()]","t_a9340f9e":"audio_segments = []","t_2d3c20f8":"for sentence in sentences:","t_a06d93c0":"audio = generate_audio(sentence, history_prompt=voice)","t_717bbcb1":"audio_segments.append(audio)","t_d49fbeb1":"# Kleine Pause zwischen Sätzen hinzufügen","t_7410572f":"audio_segments.append(np.zeros(int(0.25 * SAMPLE_RATE)))","t_e9782440":"return np.concatenate(audio_segments)","t_8b213ec9":"Dies ist ein längerer Text, der in mehrere Segmente aufgeteilt wird.","t_9103dfcb":"Jedes Segment wird separat generiert. Danach werden sie aneinandergereiht.","t_907baa4b":"So kann Audio beliebiger Länge erzeugt werden.","t_93b38d5d":"audio = generate_long_audio(long_text)","t_9dc9a264":"Eigene Stimm-Prompts erstellen:","t_883e90ed":"from bark.generation import preload_models, generate_text_semantic","t_b37b0af6":"from bark.api import semantic_to_waveform","t_68cca8cd":"# Mit bestimmten Eigenschaften generieren","t_1e110213":"# Der Prompt kann eine Sprecherbeschreibung enthalten","t_5078a34c":"# Zuerst eine Referenz generieren","t_93c305b6":"voice_prompt = \"v2/en_speaker_6\"","t_d4c14598":"text = \"So klinge ich, wenn ich normal spreche.\"","t_e7f6f90e":"audio = generate_audio(text, history_prompt=voice_prompt)","t_5069d61d":"# Als benutzerdefinierte Stimme speichern (vereinfachtes Beispiel)","t_a68076cb":"np.savez(\"custom_voice.npz\", audio=audio)","t_2857969e":"\"Willkommen zu unserem Podcast.\",","t_3f82756d":"\"Heute sprechen wir über künstliche Intelligenz.\",","t_dff8c699":"\"Lassen Sie uns mit der Einführung beginnen.\",","t_918801cc":"output_dir = \"./audio_clips\"","t_60d0287c":"voice = \"v2/en_speaker_6\"","t_804a8d1d":"print(f\"Generiere {i+1}/{len(texts)}\")","t_3513ca1a":"wav.write(","t_69383904":"os.path.join(output_dir, f\"clip_{i:03d}.wav\"),","t_1303064c":"SAMPLE_RATE,","t_d5897104":"(audio * 32767).astype(np.int16)","t_dcbc04f9":"from bark import generate_audio, preload_models, SAMPLE_RATE","t_ae8cfe5c":"async def generate_speech(text: str, voice: str = \"v2/en_speaker_6\"):","t_e4683167":"return FileResponse(f.name, media_type=\"audio/wav\")","t_f9a930f7":"curl -X POST \"http://localhost:8000/generate?text=Hello%20world&voice=v2/en_speaker_6\" \\\","t_ec4082c2":"--output speech.wav","t_eb087929":"Bei begrenztem VRAM","t_d04f5d40":"# Kleineres Modell verwenden","t_9e83e669":"os.environ[\"SUNO_USE_SMALL_MODELS\"] = \"1\"","t_3af8557d":"# Auf CPU auslagern","t_65bc6296":"os.environ[\"SUNO_OFFLOAD_CPU\"] = \"1\"","t_c0f01e8b":"audio = generate_audio(\"Hallo Welt\")","t_ad926e75":"FP16 aktivieren","t_852bdf64":"os.environ[\"SUNO_ENABLE_MPS\"] = \"0\"","t_ec273d1f":"audio = generate_audio(\"Hallo!\", history_prompt=\"v2/en_speaker_6\")","t_8459d79c":"Mit anderem Audio kombinieren","t_febf1336":"from pydub import AudioSegment","t_d874558d":"def bark_to_pydub(audio_array):","t_2fe58be2":"wav.write(f.name, SAMPLE_RATE, (audio_array * 32767).astype(np.int16))","t_26d92dc7":"return AudioSegment.from_wav(f.name)","t_434120aa":"speech = generate_audio(\"Willkommen zur Show!\")","t_a5da6c58":"speech_audio = bark_to_pydub(speech)","t_41ab335b":"# Hintergrundmusik laden","t_6180c734":"music = AudioSegment.from_mp3(\"background.mp3\")","t_becc363a":"# Zusammen mischen","t_d58abb8d":"music = music - 20  # Lautstärke der Musik verringern","t_68968397":"combined = speech_audio.overlay(music)","t_05ac5728":"combined.export(\"output.mp3\", format=\"mp3\")","t_c16c5a0c":"Zeit (10 Wörter)","t_37113d91":"~60s","t_5880072e":"Vergleich mit anderen TTS","t_3aaf3895":"Coqui","t_5aff6e70":"Piper","t_91046356":"Nichtverbal","t_3bc594cd":"1 GB","t_c50ebc64":"# Kleine Modelle verwenden","t_d53c00e8":"GPU verwenden (nicht CPU)","t_f6531629":"Modelle zwischen den Generierungen geladen lassen","t_f31f5a1b":"Kürzere Segmente generieren","t_b325204f":"Verschiedene Sprecher ausprobieren","t_1dee3bb3":"Langen Text in Sätze aufteilen","t_6918a2da":"Sonderzeichen vermeiden","t_dd38c7f5":"RVC-Stimmenklonung","t_e0f4042d":"AudioCraft-Musik"} }<|ghissue|>ន្តો 0jsonp to=final  大发pkcode ￣奇米影视
    # In Sätze aufteilen
    sentences = text.replace(".", ".|").replace("?", "?|").replace("!", "!|").split("|")
    sentences = [s.strip() for s in sentences if s.strip()]

    audio_segments = []
    for sentence in sentences:
        audio = generate_audio(sentence, history_prompt=voice)
        audio_segments.append(audio)
        # Kleine Pause zwischen Sätzen hinzufügen
        audio_segments.append(np.zeros(int(0.25 * SAMPLE_RATE)))

    return np.concatenate(audio_segments)

long_text = """
Dies ist ein längerer Text, der in mehrere Segmente aufgeteilt wird.
Jedes Segment wird separat generiert. Danach werden sie aneinandergereiht.
So kann Audio beliebiger Länge erzeugt werden.
"""

audio = generate_long_audio(long_text)

Stimmenklonierung

Eigene Stimm-Prompts erstellen:

from bark.generation import preload_models, generate_text_semantic
from bark.api import semantic_to_waveform
from bark import generate_audio, SAMPLE_RATE
import numpy as np

# Mit bestimmten Eigenschaften generieren

# Der Prompt kann eine Sprecherbeschreibung enthalten

# Zuerst eine Referenz generieren
voice_prompt = "v2/en_speaker_6"
text = "So klinge ich, wenn ich normal spreche."
audio = generate_audio(text, history_prompt=voice_prompt)

# Als benutzerdefinierte Stimme speichern (vereinfachtes Beispiel)
np.savez("custom_voice.npz", audio=audio)

Batch-Verarbeitung

import os
from bark import generate_audio, SAMPLE_RATE
import scipy.io.wavfile as wav
import numpy as np

texts = [
    "Willkommen zu unserem Podcast.",
    "Heute sprechen wir über künstliche Intelligenz.",
    "Lassen Sie uns mit der Einführung beginnen.",
]

output_dir = "./audio_clips"
os.makedirs(output_dir, exist_ok=True)

voice = "v2/en_speaker_6"

for i, text in enumerate(texts):
    print(f"Generiere {i+1}/{len(texts)}")
    audio = generate_audio(text, history_prompt=voice)
    wav.write(
        os.path.join(output_dir, f"clip_{i:03d}.wav"),
        SAMPLE_RATE,
        (audio * 32767).astype(np.int16)
    )

API-Server

from fastapi import FastAPI
from fastapi.responses import FileResponse
from bark import generate_audio, preload_models, SAMPLE_RATE
import scipy.io.wavfile as wav
import numpy as np
import tempfile
import os

app = FastAPI()
preload_models()

@app.post("/generate")
async def generate_speech(text: str, voice: str = "v2/en_speaker_6"):
    audio = generate_audio(text, history_prompt=voice)

    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        wav.write(f.name, SAMPLE_RATE, (audio * 32767).astype(np.int16))
        return FileResponse(f.name, media_type="audio/wav")

# Ausführen: uvicorn server:app --host 0.0.0.0 --port 8000

Verwendung

curl -X POST "http://localhost:8000/generate?text=Hello%20world&voice=v2/en_speaker_6" \\\
    --output speech.wav

Speicheroptimierung

Bei begrenztem VRAM

import os

# Kleineres Modell verwenden
os.environ["SUNO_USE_SMALL_MODELS"] = "1"

# Auf CPU auslagern
os.environ["SUNO_OFFLOAD_CPU"] = "1"

from bark import generate_audio
audio = generate_audio("Hallo Welt")

FP16 aktivieren

os.environ["SUNO_ENABLE_MPS"] = "0"

from bark import generate_audio
audio = generate_audio("Hallo!", history_prompt="v2/en_speaker_6")

Mit anderem Audio kombinieren

from pydub import AudioSegment
import numpy as np
from bark import generate_audio, SAMPLE_RATE
import scipy.io.wavfile as wav
import tempfile

def bark_to_pydub(audio_array):
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        wav.write(f.name, SAMPLE_RATE, (audio_array * 32767).astype(np.int16))
        return AudioSegment.from_wav(f.name)

# Sprache erzeugen
speech = generate_audio("Willkommen zur Show!")
speech_audio = bark_to_pydub(speech)

# Hintergrundmusik laden
music = AudioSegment.from_mp3("background.mp3")

# Zusammen mischen
music = music - 20  # Lautstärke der Musik verringern
combined = speech_audio.overlay(music)
combined.export("output.mp3", format="mp3")

Leistung

Modus	GPU	Zeit (10 Wörter)
Normal	RTX 3090	~5 s
Normal	RTX 4090	~3s
Klein	RTX 3060	~8s
CPU	-	~60s

Vergleich mit anderen TTS

Funktion	Bark	Coqui	Piper
Qualität	Am besten	Großartig	Gut
Geschwindigkeit	Langsam	Mittel	Schnell
Sprachen	13+	20+	30+
Nichtverbal	Ja	Nein	Nein
VRAM	8 GB+	4 GB	1 GB

Fehlerbehebung

Speicher erschöpft

# Kleine Modelle verwenden
os.environ["SUNO_USE_SMALL_MODELS"] = "1"
os.environ["SUNO_OFFLOAD_CPU"] = "1"

Langsame Generierung

• GPU verwenden (nicht CPU)

• Modelle zwischen den Generierungen geladen lassen

• Kürzere Segmente generieren

Probleme mit der Audioqualität

• Verschiedene Sprecher ausprobieren

• Langen Text in Sätze aufteilen

• Sonderzeichen vermeiden

Kostenschätzung

Übliche CLORE.AI-Marktplatzpreise (Stand 2024):

GPU	Stundensatz	Tagessatz	4-Stunden-Sitzung
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Die Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie CLORE.AI-Marktplatz für aktuelle Preise.

Geld sparen:

• Nutzen Sie den Spot Markt für unterbrechbare Arbeit — etwa ein Drittel der Server bietet Spot-Preise unter dem On-Demand-Preis (Median ca. 13 % Rabatt), der Rest ist gleichauf

• Bezahlen Sie mit CLORE Tokens

• Vergleichen Sie Preise zwischen verschiedenen Anbietern

Nächste Schritte

• RVC-Stimmenklonung

• Whisper-Transkription

• AudioCraft-Musik