Nari LabsのオープンソースTTS「Dia」、2週間で10万ダウンロードを記録

Nari Labsはソウルを拠点とする2人組のスタートアップで、オープンソースのテキスト読み上げを開発している。主力のDiaモデル（1.6Bパラメータ、Apache-2.0）は、台本化された複数話者の対話を音声に変換し、ユーザーが感情や笑い声・咳などの非言語的な合図をタグ付けできる。

無料のGoogle TPUで訓練する2人組のチームが、感情・笑い声・咳を制御できる1.6BパラメータのTTSをオープンソース化し、ElevenLabsやNotebookLMを凌ぐという賭けだった。

調達額はゼロ。創業者によれば、Diaは外部資金なしで構築され、GoogleのTPU Research CloudとHugging FaceのZeroGPU助成を利用した（VentureBeat、2025-04）。

Toby Kim（ソウル大学校）とSeong Jae-yong（KAIST）は、ローンチの約3か月前から音声AIの学習を始めた。NotebookLMのポッドキャスト機能に触発され、声のより細かな制御と台本の自由度を求めた。市販のTTS APIをすべて試したが、実際の人間の会話のように聞こえるものはなく、Nari Labsを設立してGoogleの無料TPU Research Cloudで訓練した。

2025年4月、彼らはDiaをApache-2.0で公開した。1.6Bパラメータ、[S1]/[S2]のような話者タグ、そして(laughs)や(coughs)といった合図を実際の音としてレンダリングする機能を備える。約10GBのVRAMを搭載したPCで動作する。TechCrunchとVentureBeatが1週間以内に取り上げ、Hankyung TVは2週間でダウンロード数が10万を超えたと報じた。韓国メディアはこの波を「K-deep voice」と表現し、Hugging Face CEOのClem Delangue、ウォートン校教授のEthan Mollick、VCのDeedy Dasから称賛を受けた。

資金調達ラウンドは発表されていない。リポジトリは2025-07-21までにGitHubで17.5Kスターに達し（ROSS Q3-2025）、2026年の総括記事でもDiaはオープンソースTTSモデルのトップ5に依然として挙げられている。創業者の計画は、ソーシャル層を備えた消費者向け音声プラットフォームのままである。

無料TPUという制約が小型モデルへの賭けを強いた。消費者向けGPUに収まる1.6Bパラメータであり、規模ではなく制御性が差別化要因となる。

彼らは既存企業が見過ごしてきたギャップ、すなわち台本の自由度と非言語的な表現を狙った。NotebookLMやElevenLabsの出力は型どおりに聞こえた。

Apache-2.0でのオープンソース化により、ダウンロード数とGitHubスターがマーケティング予算となり、2人の学生には買えない報道を獲得した。

2人組のチームは迅速に製品を出荷した。最初の接触からローンチまで約3か月で、大手ラボのリリースサイクルを先回りした。

ElevenLabsやSesameとの並列比較音声が、品質の主張をジャーナリストや聴取者が自ら検証できる証拠に変えた。

資本が乏しいときは、既存企業が収益化しているボトルネック、すなわち表現力の制御を選び、その堀を手放すことだ。オープンウェイトが2人の学生を参照点に変えた。

2026-09-04時点で、資金調達ラウンドや有料プラットフォームのローンチは発表されていない。オープンソースプロジェクトが企業の認知度を支えた。ROSS Q3-2025は2025-07-21までにGitHubで17.5Kスターを記録し、2026年6月の独立系総括記事でもDiaはオープンTTSモデルのトップ5に依然として挙げられている。TechCrunchは未解決のリスク、すなわち非公開の訓練データと詐欺に悪用されうるクローニングを指摘しつつ、Nariのライセンスが悪用を禁じていると述べた。創業者の計画はソーシャル層を備えた消費者向け音声プラットフォームのままであり、商業事業が形成されるかは依然として実証されていない。