O Dia TTS de código aberto da Nari Labs atraiu 100 mil downloads em duas semanas

A Nari Labs é uma startup de Seul formada por duas pessoas que desenvolve conversão de texto em fala de código aberto: seu modelo principal, o Dia (1,6 bilhão de parâmetros, Apache-2.0), transforma diálogos roteirizados com vários falantes em áudio, permitindo que os usuários marquem emoções e sinais não verbais, como risadas e tosses.

Uma equipe de duas pessoas treinando em TPUs gratuitas do Google poderia abrir o código de um TTS de 1,6 bilhão de parâmetros cuja emoção controlável, risadas e tosses superassem o ElevenLabs e o NotebookLM.

Nada captado: os fundadores afirmam que o Dia foi construído sem financiamento externo, usando o TPU Research Cloud do Google e a bolsa ZeroGPU do Hugging Face (VentureBeat, 2025-04).

Toby Kim (Universidade Nacional de Seul) e Seong Jae-yong (KAIST) começaram a aprender IA de fala cerca de três meses antes do lançamento. Inspirados pelo recurso de podcast do NotebookLM, queriam mais controle sobre as vozes e liberdade no roteiro; depois de testar todas as APIs comerciais de TTS e não encontrar nenhuma que soasse como uma conversa humana real, fundaram a Nari Labs e treinaram no TPU Research Cloud gratuito do Google.

Em abril de 2025, lançaram o Dia sob a licença Apache-2.0: 1,6 bilhão de parâmetros, tags de falante como [S1]/[S2] e indicações como (laughs) e (coughs) reproduzidas como som real. Ele roda em PCs com cerca de 10 GB de VRAM. O TechCrunch e o VentureBeat o cobriram em menos de uma semana; a Hankyung TV informou que os downloads passaram de 100 mil em duas semanas, e a mídia coreana enquadrou a onda como "voz profunda coreana" (K-deep voice), com elogios do CEO do Hugging Face, Clem Delangue, do professor da Wharton Ethan Mollick e do investidor Deedy Das.

Nenhuma rodada de financiamento foi anunciada; o repositório alcançou 17,5 mil estrelas no GitHub até 2025-07-21 (ROSS Q3-2025), e uma compilação de 2026 ainda lista o Dia entre os cinco principais modelos de TTS de código aberto. O plano dos fundadores continua sendo uma plataforma de voz para consumidores com uma camada social.

A restrição das TPUs gratuitas forçou uma aposta em modelo pequeno: 1,6 bilhão de parâmetros que cabem em uma GPU de consumidor, onde a controlabilidade, e não a escala, é o diferencial.

Eles miraram a lacuna negligenciada pelos incumbentes — liberdade de roteiro e entrega não verbal —, onde as saídas do NotebookLM e do ElevenLabs soavam artificiais.

A abertura do código sob Apache-2.0 fez dos downloads e das estrelas no GitHub o orçamento de marketing, rendendo uma cobertura que os dois estudantes não teriam conseguido comprar.

Uma equipe de duas pessoas entregou rápido: da primeira exposição ao lançamento passaram-se cerca de três meses, mantendo-se à frente dos ciclos de lançamento de laboratórios maiores.

Áudios de comparação lado a lado com ElevenLabs e Sesame transformaram uma alegação de qualidade em evidência que jornalistas e ouvintes podiam verificar por conta própria.

Quando o capital é escasso, escolha o gargalo que os incumbentes monetizam — o controle expressivo — e abra mão do fosso: pesos abertos transformaram dois estudantes em ponto de referência.

Até 2026-09-04, nenhuma rodada de financiamento ou lançamento de plataforma paga foi anunciado. O projeto de código aberto sustentou a visibilidade da empresa: o ROSS Q3-2025 registrou 17,5 mil estrelas no GitHub até 2025-07-21, e uma compilação independente de junho de 2026 ainda lista o Dia entre os cinco principais modelos de TTS abertos. O TechCrunch apontou os riscos não resolvidos — dados de treinamento não divulgados e clonagem que poderia facilitar golpes —, observando ao mesmo tempo que a licença da Nari proíbe o uso indevido. O plano dos fundadores continua sendo uma plataforma de voz para consumidores com uma camada social; se um negócio comercial se formará ainda não está comprovado.