Bark 每次可生成约 13–14 秒的音频，并采用 MIT 许可证发布。来源称完整模型需要约 12 GB GPU 显存，也提供可在较低显存环境下运行的小型版本。

该模型试图在一个系统中整合语音、音乐和音效生成。若任务要求严格忠实于脚本，应检查生成结果。

为什么重要

它为使用单一模型制作多种音频原型提供了途径，但不能保证文本准确还原。

指南

试一试

作为假设性测试，可用 Bark 为一句简短的游戏台词生成音频，再将实际说出的词语和额外声音与原文对照。