Suno AI開發的「Bark」(狗叫)是一款生成式語音合成AI，能夠根據文本生成一小段接近真人說話的語音，支援英、日、中、韓等多國語言。
範例對話：
：給我學狗叫啊，你這混蛋！
：汪！汪！
：三回啊，三回！
生成結果：
還可以插入情緒、唱歌等指示。
不過Bark生成的語音是高度隨機的，類似早期Stable Diffusion。無法保證品質，需要抽卡。且因為原理類似GPT模型，生成的語音不見得會正確念出文字。
就目前的情況來看，英語支援程度最好。中文生成能力真的像是在狗叫一樣。
1. 安裝Bark GUI#
硬體需求：顯示卡VRAM > 2GB
原始版程式： suno-ai/bark
這裡裝C0untFloyd開發的圖形版，參考 Github說明，Windows有一鍵安裝器，Linux請手動設定：
- 安裝 Anaconda，建立Python 3.10環境
conda create --name barkgui python=3.10
conda activate barkgui
- 安裝依賴
git clone https://github.com/C0untFloyd/bark-gui
cd bark-gui
pip install .
pip install pandas attrs psutil rich pyparsing lxml absl-py protobuf scrapy
pip install .
- 安裝CUDA
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
- 裝完剩下的依賴套件
pip install -r requirements.txt
- 啟動WebUI。可加上
-offloadcpu和-smallmodels減少VRAM佔用，或-forcecpu強制使用CPU計算
python webui.py -offloadcpu
- 初次啟動會自動下載語言模型。接著在瀏覽器開啟
http://127.0.0.1:7860。
2. Bark使用方式#
開啟主界面，於左上角填入要生成的文本。
下面有作者提供的範例。例如要插入笑聲就使用[laughs]，要生成唱歌就將文本前後用♪框起來。用Man:或Woman:指定說話者性別。(有時候AI會無視這些指令，英語以外的語言更容易亂說話的樣子)
左下角選擇要使用的人聲，日文就選擇ja，中文為zh。選日文的人聲講英文文本也是可以，但會有口音。
點選右下角控制隨機的程度，我自己測試的結果，如果拉太低，則生成的內容很容易牛頭不對馬嘴。
設定好之後點選左下角的Generate，等待生成完成。如果用顯示卡計算，一句話大約30秒處理完畢。
生成的音訊會儲存在bark-gui專案目錄下的outputs目錄。
Bark預設只能生成10秒左右的語音，如果要生成更長對話呢？就得用SMML格式填寫文本。如下圖，在voice name欄位指定要使用的人聲，再於角括號之間填入文本。這樣它就會批次生成音訊，再將音訊合併在一起。