/ Модель

Характеристики

Лицензия
MIT
Опубликована
31 мая 2026

bark-small-GGUF

Синтез речиТекст → аудио3 профессии

cstr/bark-small-GGUF — это версия модели Suno Bark, преобразованная в формат GGUF для нативного запуска на C++ вместе с CrispASR.

1 249скачиваний за 30 дней3лайкавеса обновлены2 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для синтеза речи по тексту и генерирует монофонический PCM-аудиосигнал с частотой 24 кГц. Конвертацию и среду выполнения предоставил проект CrispASR; исходная модель разработана Suno AI.

Архитектура состоит из трёх иерархических transformer-моделей: семантической, грубой акустической и тонкой акустической, а также декодера EnCodec. Всего используется около 300 млн параметров в трёх GPT-2-подмоделях. Семантическая модель применяет BERT WordPiece tokenizer, акустические модели преобразуют текстовые и семантические токены в коды EnCodec, а декодер формирует итоговый звук. Модель поддерживает 13 языков, включая английский, немецкий, испанский, французский, итальянский, японский, корейский, польский, португальский, русский, турецкий и китайский, с предварительно обученными голосовыми подсказками.

Доступны варианты F16, Q8_0 и Q4_K. F16 обеспечивает эталонное качество, Q8_0 близок к исходному качеству, а Q4_K занимает меньше места и ориентирован на использование в реальном времени. Все варианты содержат необходимые подмодели и декодер в одном файле GGUF. Ограничениями являются зависимость качества и размера от выбранного уровня квантования, а также использование заранее подготовленных голосовых prompts; в README не заявлены возможности обучения или тонкой настройки. Модель распространяется по лицензии MIT.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bark Small — GGUF

Suno Bark (MIT license) converted to GGUF for native C++ inference with CrispASR.

Model details

  • Architecture: 3-stage hierarchical transformer (semantic → coarse → fine) + EnCodec decoder
  • Parameters: ~300M total across 3 GPT-2 sub-models
  • Output: 24 kHz mono PCM
  • Languages: 13 languages with pre-trained speaker prompts
  • German speakers: v2/de_speaker_0 through v2/de_speaker_9
  • License: MIT

Quantization table

FileQuantSizeQuality
bark-small-f16.ggufF16809 MBReference
bark-small-q8_0.ggufQ8_0435 MBNear-lossless
bark-small-q4_k.ggufQ4_K235 MBGood for real-time

All variants pack the 3 sub-models (text/semantic, coarse acoustic, fine acoustic) + EnCodec decoder into a single GGUF file. No companion model needed.

Usage with CrispASR

# Auto-download and synthesize
crispasr --backend bark -m auto --tts "Hello, how are you today?" --tts-output hello.wav

# With a specific quantization
crispasr --backend bark -m bark-small-q4_k.gguf --tts "The quick brown fox" --tts-output fox.wav

# With a German speaker prompt (when supported)
crispasr --backend bark -m bark-small-q8_0.gguf --tts "Hallo Welt" --voice v2/de_speaker_3 --tts-output hallo.wav

Conversion

Produced with:

python models/convert-bark-to-gguf.py --output bark-small-f16.gguf
crispasr-quantize bark-small-f16.gguf bark-small-q8_0.gguf q8_0
crispasr-quantize bark-small-f16.gguf bark-small-q4_k.gguf q4_k

Architecture details

Stage 1 — Semantic model

  • GPT-2 (12 layers, 768-d) generating semantic tokens from text
  • BERT WordPiece tokenizer (119547 vocab)
  • Output: up to 768 semantic tokens

Stage 2 — Coarse acoustic model

  • GPT-2 (12 layers, 1024-d) converting semantic → coarse EnCodec codes
  • Alternates codebook 0/1 prediction
  • Output: 2 × ~384 coarse tokens

Stage 3 — Fine acoustic model

  • Non-causal GPT-2 (12 layers, 1024-d)
  • Fills codebooks 2-7 from codebooks 0-1
  • Output: 8 codebooks × 384 timesteps

EnCodec decoder

  • 8-codebook RVQ (1024 entries each)
  • SEANet CNN decoder with ELU activation
  • Upsample ratios [8, 5, 4, 2] → 24 kHz

Credits

Provenance and EU AI Act Art. 53 note

  • Upstream model: suno-ai/bark.
  • Upstream licence: mit. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
04321dc

0 моделей