Bark TTS

Генерируйте реалистичную речь и аудио с Bark AI на Clore.ai

Генерируйте реалистичную речь и аудио с Bark AI.

Все примеры можно запускать на GPU-серверах, арендуемых через CLORE.AI Marketplace.

Требования к серверу

Параметр

Минимум

Рекомендуется

ОЗУ

8GB

16 ГБ+

VRAM

4 ГБ (small)

8 ГБ+ (обычно)

Сеть

200 Мбит/с

500 Мбит/с+

Время запуска

3–5 минут

Время запуска: При первом запуске загружаются модели Bark (3–5 минут в зависимости от скорости сети). HTTP 502 в это время — нормально.

Аренда на CLORE.AI

Посетите CLORE.AI Marketplace
Отфильтруйте по типу GPU, объему VRAM и цене
Выберите On-Demand (фиксированная ставка) или Spot (цена по ставке)
Настройте ваш заказ:
- Выберите Docker-образ
- Установите порты (TCP для SSH, HTTP для веб-интерфейсов)
- Добавьте переменные окружения при необходимости
- Введите команду запуска
Выберите способ оплаты: CLORE, BTC, или USDT/USDC
Создайте заказ и дождитесь развертывания

Доступ к вашему серверу

Найдите данные для подключения в Моих заказах
Веб-интерфейсы: используйте URL HTTP-порта
SSH: ssh -p <port> root@<proxy-address>

Что такое Bark?

Bark от Suno AI может генерировать:

Реалистичную речь на нескольких языках
Различные голоса говорящих
Невербальные звуки (смех, вздохи)
Музыку и звуковые эффекты
Многоязычная речь

Требования

Качество

VRAM

Рекомендуется

Небольшая

4 ГБ

RTX 3060

Обычно

8GB

RTX 3070

Высокий

12GB

RTX 3090

Быстрое развертывание

Docker-образ:

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime

Порты:

22/tcp
7860/http

Команда:

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)
"

Доступ к вашему сервису

После развертывания найдите ваш http_pub URL в Моих заказах:

Перейдите на Моих заказах страницу
Нажмите на ваш заказ
Найдите http_pub URL (например, abc123.clorecloud.net)

Используйте https://YOUR_HTTP_PUB_URL вместо localhost в примерах ниже.

Проверьте, что всё работает

# Проверьте, доступен ли интерфейс Gradio
curl https://your-http-pub.clorecloud.net/

Если вы получаете HTTP 502, подождите 3–5 минут — сервис загружает модели.

Установка

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

Базовое использование

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

# Предзагрузка моделей (загрузка при первом запуске)
preload_models()

# Генерация аудио
text = "Hello, this is a test of Bark text to speech."
audio = generate_audio(text)

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

Выбор голоса

Встроенные голоса


# Англоязычные говорящие (0–9)
audio = generate_audio("Hello!", history_prompt="v2/en_speaker_0")
audio = generate_audio("Hello!", history_prompt="v2/en_speaker_3")
audio = generate_audio("Hello!", history_prompt="v2/en_speaker_9")

# Другие языки
audio = generate_audio("Bonjour!", history_prompt="v2/fr_speaker_0")  # Французский
audio = generate_audio("Hallo!", history_prompt="v2/de_speaker_0")    # Немецкий
audio = generate_audio("Hola!", history_prompt="v2/es_speaker_0")     # Испанский
audio = generate_audio("Ciao!", history_prompt="v2/it_speaker_0")     # Итальянский
audio = generate_audio("Olá!", history_prompt="v2/pt_speaker_0")      # Португальский
audio = generate_audio("Привет!", history_prompt="v2/ru_speaker_0")   # Русский
audio = generate_audio("こんにちは!", history_prompt="v2/ja_speaker_0") # Японский
audio = generate_audio("你好!", history_prompt="v2/zh_speaker_0")      # Китайский

Доступные языки

Язык

Код

Говорящие

Английский

0-9

Немецкий

0-9

Испанский

0-9

Французский

0-9

Хинди

0-9

Итальянский

0-9

Японский

0-9

Корейский

0-9

Польский

0-9

Португальский

0-9

Русский

0-9

Турецкий

0-9

Китайский

0-9

Невербальные звуки

Bark может генерировать невербальное аудио:


# Смех
audio = generate_audio("Hello! [laughs] That's so funny!")

# Вздохи
audio = generate_audio("[sighs] I'm so tired today.")

# Задыхание
audio = generate_audio("[gasps] Oh my god!")

# Окашливание
audio = generate_audio("[clears throat] Ahem, attention please.")

# Музыкальные ноты
audio = generate_audio("♪ La la la ♪")

Длительное аудио

Для текста длиннее 13 секунд:

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"):
    # Разбить на предложения
    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)
        # Добавить небольшую паузу между предложениями
        audio_segments.append(np.zeros(int(0.25 * SAMPLE_RATE)))

    return np.concatenate(audio_segments)

long_text = """
Это более длинный фрагмент текста, который будет разбит на несколько сегментов.
Каждый сегмент будет сгенерирован отдельно. Затем они будут объединены.
Это позволяет генерировать аудио любой длины.
"""

audio = generate_long_audio(long_text)

Клонирование голоса

Создание пользовательских голосовых подсказок:

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

# Генерировать с определёнными характеристиками

# Подсказка может включать описание говорящего

# Сначала сгенерируйте эталон
voice_prompt = "v2/en_speaker_6"
text = "This is how I sound when I speak normally."
audio = generate_audio(text, history_prompt=voice_prompt)

# Сохранить как пользовательский голос (упрощённый пример)
np.savez("custom_voice.npz", audio=audio)

Пакетная обработка

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

texts = [
    "Welcome to our podcast.",
    "Today we'll discuss artificial intelligence.",
    "Let's get started with the introduction.",
]

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

voice = "v2/en_speaker_6"

for i, text in enumerate(texts):
    print(f"Generating {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-сервер

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")

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

Использование

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

Оптимизация памяти

Для ограниченной видеопамяти (VRAM)

import os

# Используйте меньшую модель
os.environ["SUNO_USE_SMALL_MODELS"] = "1"

# Выгрузить на CPU
os.environ["SUNO_OFFLOAD_CPU"] = "1"

from bark import generate_audio
audio = generate_audio("Hello world")

Включить FP16

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

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

Комбинирование с другим аудио

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)

# Сгенерировать речь
speech = generate_audio("Welcome to the show!")
speech_audio = bark_to_pydub(speech)

# Загрузить фоновую музыку
music = AudioSegment.from_mp3("background.mp3")

# Смешать вместе
music = music - 20  # Понизить громкость музыки
combined = speech_audio.overlay(music)
combined.export("output.mp3", format="mp3")

Производительность

Режим

GPU

Время (10 слов)

Обычно

RTX 3090

~5 с

Обычно

RTX 4090

~3s

Небольшая

RTX 3060

~8s

CPU

~60 с

Сравнение с другими TTS

Функция

Bark

Coqui

Piper

Качество

Лучшее

Отлично

Хорошо

Скорость

Медленно

Средне

Быстро

Языки

13+

20+

30+

Невербальные

Да

Нет

VRAM

8 ГБ+

4 ГБ

1GB

Устранение неполадок

Недостаточно памяти


# Использовать маленькие модели
os.environ["SUNO_USE_SMALL_MODELS"] = "1"
os.environ["SUNO_OFFLOAD_CPU"] = "1"

Медленная генерация

Использовать GPU (не CPU)
Держать модели загруженными между генерациями
Генерировать более короткие сегменты

Проблемы с качеством аудио

Попробуйте разных говорящих
Разбивайте длинный текст на предложения
Избегайте специальных символов

Оценка стоимости

Типичные ставки на маркетплейсе CLORE.AI (по состоянию на 2024):

GPU

Почасовая ставка

Дневная ставка

Сессия 4 часа

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

Цены варьируются в зависимости от провайдера и спроса. Проверьте CLORE.AI Marketplace для текущих тарифов.

Экономьте деньги:

Используйте Spot рынок для гибких рабочих нагрузок (часто на 30–50% дешевле)
Платите с помощью CLORE токенов
Сравнивайте цены у разных провайдеров

Дальнейшие шаги

ПредыдущаяWhisperX с диаризацией СледующаяXTTS (Coqui)

Последнее обновление 1 день назад

Это было полезно?

hashtagТребования к серверу

hashtagАренда на CLORE.AI

hashtagДоступ к вашему серверу

hashtagЧто такое Bark?

hashtagТребования

hashtagБыстрое развертывание

hashtagДоступ к вашему сервису

hashtagПроверьте, что всё работает

hashtagУстановка

hashtagБазовое использование

hashtagВыбор голоса

hashtagВстроенные голоса

hashtagДоступные языки

hashtagНевербальные звуки

hashtagДлительное аудио

hashtagКлонирование голоса

hashtagПакетная обработка

hashtagAPI-сервер

hashtagИспользование

hashtagОптимизация памяти

hashtagДля ограниченной видеопамяти (VRAM)

hashtagВключить FP16

hashtagКомбинирование с другим аудио

hashtagПроизводительность

hashtagСравнение с другими TTS

hashtagУстранение неполадок

hashtagНедостаточно памяти

hashtagМедленная генерация

hashtagПроблемы с качеством аудио

hashtagОценка стоимости

hashtagДальнейшие шаги

Требования к серверу

Аренда на CLORE.AI

Доступ к вашему серверу

Что такое Bark?

Требования

Быстрое развертывание

Доступ к вашему сервису

Проверьте, что всё работает

Установка

Базовое использование

Выбор голоса

Встроенные голоса

Доступные языки

Невербальные звуки

Длительное аудио

Клонирование голоса

Пакетная обработка

API-сервер

Использование

Оптимизация памяти

Для ограниченной видеопамяти (VRAM)

Включить FP16

Комбинирование с другим аудио

Производительность

Сравнение с другими TTS

Устранение неполадок

Недостаточно памяти

Медленная генерация

Проблемы с качеством аудио

Оценка стоимости

Дальнейшие шаги