El TTS de código abierto Dia de Nari Labs alcanzó 100.000 descargas en dos semanas

Nari Labs es una startup de dos personas en Seúl que desarrolla síntesis de voz de código abierto: su modelo insignia Dia (1.600 millones de parámetros, Apache-2.0) convierte diálogos guionizados con varios hablantes en audio, permitiendo a los usuarios etiquetar emociones y señales no verbales como risas y toses.

Un equipo de dos personas que entrena en TPUs gratuitas de Google podría publicar como código abierto un TTS de 1.600 millones de parámetros cuya emoción, risas y toses controlables superaran a ElevenLabs y NotebookLM.

Ninguno recaudado: los fundadores afirman que Dia se construyó con cero financiación externa, usando el TPU Research Cloud de Google y la subvención ZeroGPU de Hugging Face (VentureBeat, 2025-04).

Toby Kim (Universidad Nacional de Seúl) y Seong Jae-yong (KAIST) comenzaron a aprender IA de voz aproximadamente tres meses antes del lanzamiento. Inspirados por la función de pódcast de NotebookLM, querían más control sobre las voces y libertad en el guion; tras probar todas las API comerciales de TTS y no encontrar ninguna que sonara como una conversación humana real, fundaron Nari Labs y entrenaron en el TPU Research Cloud gratuito de Google.

En abril de 2025 publicaron Dia bajo Apache-2.0: 1.600 millones de parámetros, etiquetas de hablante como [S1]/[S2] y señales como (laughs) y (coughs) reproducidas como sonido real. Funciona en PC con unos 10 GB de VRAM. TechCrunch y VentureBeat lo cubrieron en el plazo de una semana; Hankyung TV informó que las descargas superaron las 100.000 en dos semanas y los medios surcoreanos enmarcaron la ola como «K-deep voice», con elogios del CEO de Hugging Face, Clem Delangue, del profesor de Wharton Ethan Mollick y del inversor Deedy Das.

No se ha anunciado ninguna ronda de financiación; el repositorio alcanzó 17.500 estrellas en GitHub el 2025-07-21 (ROSS Q3-2025) y un recopilatorio de 2026 todavía incluye a Dia entre los cinco mejores modelos TTS de código abierto. El plan de los fundadores sigue siendo una plataforma de voz para consumidores con una capa social.

La restricción de las TPUs gratuitas obligó a apostar por un modelo pequeño: 1.600 millones de parámetros que caben en una GPU de consumo, donde la controlabilidad, no la escala, es el diferenciador.

Apun­taron al hueco que los incumbentes descuidaban —libertad de guion y entrega no verbal— donde las salidas de NotebookLM y ElevenLabs sonaban enlatadas.

Publicar como código abierto bajo Apache-2.0 convirtió las descargas y las estrellas de GitHub en el presupuesto de marketing, obteniendo una cobertura que los dos estudiantes no habrían podido comprar.

Un equipo de dos personas entregó rápido: desde la primera exposición hasta el lanzamiento pasaron unos tres meses, manteniéndose por delante de los ciclos de publicación de laboratorios más grandes.

El audio de comparación lado a lado con ElevenLabs y Sesame convirtió una afirmación de calidad en evidencia que periodistas y oyentes podían verificar por sí mismos.

Cuando el capital es escaso, elige el cuello de botella que los incumbentes monetizan —el control expresivo— y regala el foso: los pesos abiertos convirtieron a dos estudiantes en el punto de referencia.

A fecha de 2026-09-04 no se ha anunciado ninguna ronda de financiación ni el lanzamiento de una plataforma de pago. El proyecto de código abierto sostuvo la visibilidad de la empresa: ROSS Q3-2025 registró 17.500 estrellas en GitHub el 2025-07-21, y un recopilatorio independiente de junio de 2026 todavía incluye a Dia entre los cinco mejores modelos TTS abiertos. TechCrunch señaló los riesgos no resueltos —datos de entrenamiento no divulgados y clonación que podría facilitar estafas— aunque observó que la licencia de Nari prohíbe el uso indebido. El plan de los fundadores sigue siendo una plataforma de voz para consumidores con una capa social; que se forme un negocio comercial aún no está demostrado.