Nari Labs' Open-Source-Dia-TTS verzeichnete in zwei Wochen 100.000 Downloads

Nari Labs ist ein Zwei-Personen-Startup aus Seoul, das Open-Source-Text-to-Speech entwickelt: Sein Flaggschiffmodell Dia (1,6 Mrd. Parameter, Apache-2.0) verwandelt geskriptete Multi-Sprecher-Dialoge in Audio und ermöglicht es Nutzern, Emotionen und nonverbale Signale wie Lachen und Husten zu markieren.

Ein Zweierteam, das auf kostenlosen Google-TPUs trainiert, könnte ein TTS mit 1,6 Mrd. Parametern als Open Source veröffentlichen, dessen steuerbare Emotionen, Lachen und Husten ElevenLabs und NotebookLM übertreffen.

Nichts eingeworben: Die Gründer sagen, Dia sei ohne externe Finanzierung entwickelt worden, unter Nutzung von Googles TPU Research Cloud und Hugging Faces ZeroGPU-Grant (VentureBeat, 2025-04).

Toby Kim (Seoul National University) und Seong Jae-yong (KAIST) begannen etwa drei Monate vor dem Launch, Sprach-KI zu lernen. Inspiriert von der Podcast-Funktion von NotebookLM wollten sie mehr Kontrolle über Stimmen und Freiheit beim Skript; nachdem sie jede kommerzielle TTS-API ausprobiert und keine gefunden hatten, die wie ein echtes menschliches Gespräch klang, gründeten sie Nari Labs und trainierten auf Googles kostenloser TPU Research Cloud.

Im April 2025 veröffentlichten sie Dia unter Apache-2.0: 1,6 Mrd. Parameter, Sprecher-Tags wie [S1]/[S2] und Hinweise wie (laughs) und (coughs), die als tatsächlicher Klang wiedergegeben werden. Es läuft auf PCs mit etwa 10 GB VRAM. TechCrunch und VentureBeat berichteten innerhalb einer Woche; Hankyung TV meldete, die Downloads hätten in zwei Wochen 100.000 überschritten, und koreanische Medien rahmten die Welle als „K-deep voice“ ein, mit Lob von Hugging-Face-CEO Clem Delangue, dem Wharton-Professor Ethan Mollick und dem VC Deedy Das.

Es wurde keine Finanzierungsrunde angekündigt; das Repo erreichte bis 2025-07-21 17,5K GitHub-Sterne (ROSS Q3-2025), und ein Rückblick aus 2026 führt Dia weiterhin unter den fünf besten Open-Source-TTS-Modellen. Der Plan der Gründer bleibt eine Consumer-Sprachplattform mit einer sozialen Ebene.

Die Beschränkung auf kostenlose TPUs erzwang eine Wette auf ein kleines Modell: 1,6 Mrd. Parameter, die auf eine Consumer-GPU passen, wobei Steuerbarkeit und nicht Skalierung das Unterscheidungsmerkmal ist.

Sie zielten auf die Lücke, die etablierte Anbieter vernachlässigten – Skriptfreiheit und nonverbale Darbietung –, wo die Ausgaben von NotebookLM und ElevenLabs aufgesetzt klangen.

Die Open-Source-Veröffentlichung unter Apache-2.0 machte Downloads und GitHub-Sterne zum Marketingbudget und verschaffte Berichterstattung, die die beiden Studenten nicht hätten kaufen können.

Ein Zweierteam lieferte schnell: Von der ersten Berührung bis zum Launch vergingen etwa drei Monate, womit es den Release-Zyklen größerer Labore voraus blieb.

Vergleichsaudio Seite an Seite mit ElevenLabs und Sesame verwandelte eine Qualitätsbehauptung in Belege, die Journalisten und Hörer selbst überprüfen konnten.

Wenn Kapital knapp ist, wähle den Engpass, den etablierte Anbieter monetarisieren – ausdrucksstarke Steuerung – und verschenke den Burggraben: Offene Gewichte machten zwei Studenten zum Referenzpunkt.

Stand 2026-09-04 wurde weder eine Finanzierungsrunde noch der Start einer bezahlten Plattform angekündigt. Das Open-Source-Projekt trug die Sichtbarkeit des Unternehmens: ROSS Q3-2025 verzeichnete bis 2025-07-21 17,5K GitHub-Sterne, und ein unabhängiger Rückblick vom Juni 2026 führt Dia weiterhin unter den fünf besten offenen TTS-Modellen. TechCrunch wies auf die ungelösten Risiken hin – nicht offengelegte Trainingsdaten und Klonen, das Betrug begünstigen könnte – und merkte zugleich an, dass Naris Lizenz Missbrauch verbietet. Der Plan der Gründer bleibt eine Consumer-Sprachplattform mit einer sozialen Ebene; ob ein kommerzielles Geschäft entsteht, ist weiterhin nicht bewiesen.