/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
bark · dense
Опубликована
25 апр 2023

bark

Синтез речиТекст → аудио4 профессии

Bark от Suno — каскадная трансформерная модель для генерации многоязычной речи и других аудиосигналов по тексту.

25 134скачиваний за 30 дней1 574лайкавеса обновлены4 окт 2023

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

Bark — трансформерная модель генерации аудио по тексту, разработанная Suno. Эта большая версия использует каскад из трёх трансформерных моделей: первая преобразует текст в семантические токены, вторая формирует грубые аудиотокены, а третья детализирует их с помощью кодеков EnCodec. В карточке описаны варианты компонентов на 80 млн и 300 млн параметров; размер именно этой версии в метаданных не приведён.

Модель предназначена для синтеза многоязычной речи, а также может создавать музыку, фоновый шум, простые звуковые эффекты и невербальные вокализации — например, смех, вздохи и плач. Поддерживаются английский, немецкий, испанский, французский, хинди, итальянский, японский, корейский, польский, португальский, русский, турецкий и китайский языки. Авторы предоставляют контрольные точки для инференса и указывают исследовательское назначение; лицензия MIT. Выход не фильтруется, а клонирование голоса известных людей затруднено, но возможно злоупотребление моделью для имитации голоса.

Сценарии применения

  • синтез многоязычной речи из текста
  • озвучивание фраз с эмоциональными вокализациями
  • создание музыки по текстовому описанию
  • генерация фонового шума и простых звуковых эффектов
  • создание аудио для инструментов доступности

Ограничения

Выход модели не фильтруется; её можно использовать для имитации голоса, хотя клонировать голоса известных людей непросто. Карточка позиционирует модель как исследовательскую.

Для каких профессий подходит4

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

Bark is a transformer-based text-to-audio model created by Suno. Bark can generate highly realistic, multilingual speech as well as other audio - including music, background noise and simple sound effects. The model can also produce nonverbal communications like laughing, sighing and crying. To support the research community, we are providing access to pretrained model checkpoints ready for inference.

The original github repo and model card can be found here.

This model is meant for research purposes only. The model output is not censored and the authors do not endorse the opinions in the generated content. Use at your own risk.

Two checkpoints are released:

Example

Try out Bark yourself!

  • Bark Colab:
  • Hugging Face Colab:
  • Hugging Face Demo:

🤗 Transformers Usage

You can run Bark locally with the 🤗 Transformers library from version 4.31.0 onwards.

  1. First install the 🤗 Transformers library and scipy:
pip install --upgrade pip
pip install --upgrade transformers scipy
  1. Run inference via the Text-to-Speech (TTS) pipeline. You can infer the bark model via the TTS pipeline in just a few lines of code!
from transformers import pipeline
import scipy

synthesiser = pipeline("text-to-speech", "suno/bark")

speech = synthesiser("Hello, my dog is cooler than you!", forward_params={"do_sample": True})

scipy.io.wavfile.write("bark_out.wav", rate=speech["sampling_rate"], data=speech["audio"])
  1. Run inference via the Transformers modelling code. You can use the processor + generate code to convert text into a mono 24 kHz speech waveform for more fine-grained control.
from transformers import AutoProcessor, AutoModel

processor = AutoProcessor.from_pretrained("suno/bark")
model = AutoModel.from_pretrained("suno/bark")

inputs = processor(
    text=["Hello, my name is Suno. And, uh — and I like pizza. [laughs] But I also have other interests such as playing tic tac toe."],
    return_tensors="pt",
)

speech_values = model.generate(**inputs, do_sample=True)
  1. Listen to the speech samples either in an ipynb notebook:
from IPython.display import Audio

sampling_rate = model.generation_config.sample_rate
Audio(speech_values.cpu().numpy().squeeze(), rate=sampling_rate)

Or save them as a .wav file using a third-party library, e.g. scipy:

import scipy

sampling_rate = model.config.sample_rate
scipy.io.wavfile.write("bark_out.wav", rate=sampling_rate, data=speech_values.cpu().numpy().squeeze())

For more details on using the Bark model for inference using the 🤗 Transformers library, refer to the Bark docs.

Suno Usage

You can also run Bark locally through the original [Bark library]((https://github.com/suno-ai/bark):

  1. First install the bark library

  2. Run the following Python code:

from bark import SAMPLE_RATE, generate_audio, preload_models
from IPython.display import Audio

# download and load all models
preload_models()

# generate audio from text
text_prompt = """
     Hello, my name is Suno. And, uh — and I like pizza. [laughs] 
     But I also have other interests such as playing tic tac toe.
"""
speech_array = generate_audio(text_prompt)

# play text in notebook
Audio(speech_array, rate=SAMPLE_RATE)

pizza.webm

To save audio_array as a WAV file:

from scipy.io.wavfile import write as write_wav

write_wav("/path/to/audio.wav", SAMPLE_RATE, audio_array)

Model Details

The following is additional information about the models released here.

Bark is a series of three transformer models that turn text into audio.

Text to semantic tokens

Semantic to coarse tokens

  • Input: semantic tokens
  • Output: tokens from the first two codebooks of the EnCodec Codec from facebook

Coarse to fine tokens

  • Input: the first two codebooks from EnCodec
  • Output: 8 codebooks from EnCodec

Architecture

ModelParametersAttentionOutput Vocab size
Text to semantic tokens80/300 MCausal10,000
Semantic to coarse tokens80/300 MCausal2x 1,024
Coarse to fine tokens80/300 MNon-causal6x 1,024

Release date

April 2023

Broader Implications

We anticipate that this model's text to audio capabilities can be used to improve accessbility tools in a variety of languages.

While we hope that this release will enable users to express their creativity and build applications that are a force for good, we acknowledge that any text to audio model has the potential for dual use. While it is not straightforward to voice clone known people with Bark, it can still be used for nefarious purposes. To further reduce the chances of unintended use of Bark, we also release a simple classifier to detect Bark-generated audio with high accuracy (see notebooks section of the main repository).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BarkModel
Ревизия весов
70a8a7d

0 моделей