Nari Labs 的開源 Dia TTS 兩週內下載量達 10 萬次

Nari Labs 是首爾一間由兩人組成的初創公司，開發開源文字轉語音技術：其旗艦模型 Dia（1.6B 參數，Apache-2.0 授權）可將編寫好的多說話者對話轉為音訊，讓使用者標註情緒及笑聲、咳嗽等非語言提示。

一支兩人團隊以免費 Google TPU 訓練，就能開源一款 1.6B 參數的 TTS，其可控制的情緒、笑聲與咳嗽表現勝過 ElevenLabs 和 NotebookLM。

未募得任何資金：創辦人表示 Dia 是在零外部資金下打造，使用 Google 的 TPU Research Cloud 與 Hugging Face 的 ZeroGPU 補助（VentureBeat，2025-04）。

Toby Kim（首爾大學）與 Seong Jae-yong（KAIST）在發布前約三個月才開始學習語音 AI。受到 NotebookLM 播客功能啟發，他們希望對聲音有更多控制權，並在腳本上享有更大自由；在試過所有商業 TTS API、發現沒有一個聽起來像真實人類對話後，他們創立 Nari Labs，並在 Google 免費的 TPU Research Cloud 上訓練。

2025 年 4 月，他們以 Apache-2.0 授權發布 Dia：1.6B 參數，支援 [S1]/[S2] 等說話者標籤，以及 (laughs)、(coughs) 等提示，並會實際發出對應聲音。它可在約 10GB VRAM 的個人電腦上運行。TechCrunch 與 VentureBeat 在一週內報導；Hankyung TV 報導下載量兩週內突破 10 萬次，韓國媒體將這股熱潮稱為「K-deep voice」，並獲得 Hugging Face 執行長 Clem Delangue、華頓商學院教授 Ethan Mollick 與創投 Deedy Das 讚賞。

尚未宣布任何融資輪；該儲存庫截至 2025-07-21 已達 17.5K GitHub 星（ROSS Q3-2025），而 2026 年的一份彙整仍將 Dia 列為前五大開源 TTS 模型之一。創辦人的計畫仍是以消費者語音平台搭配社交層。

免費 TPU 的限制迫使他們押注小模型：1.6B 參數可容納於消費級 GPU，而差異化在於可控性，而非規模。

他們瞄準現有業者忽略的缺口——腳本自由與非語言表達——NotebookLM 與 ElevenLabs 的輸出在這些方面聽起來制式呆板。

以 Apache-2.0 開源讓下載量與 GitHub 星數成為行銷預算，換得兩名學生不可能買到的報導。

兩人團隊快速交付：從首次接觸到發布約三個月，搶在大型實驗室的發布週期之前。

與 ElevenLabs 和 Sesame 的並排比較音訊，讓品質主張變成記者與聽眾能自行驗證的證據。

資本稀缺時，選擇現有業者用來變現的瓶頸——富表現力的控制——並把護城河送出去：開放權重讓兩名學生成為參考基準。

截至 2026-09-04，尚未宣布任何融資輪或付費平台上線。這個開源專案承載了公司的能見度：ROSS Q3-2025 記錄截至 2025-07-21 有 17.5K GitHub 星，而 2026 年 6 月一份獨立彙整仍將 Dia 列為前五大開源 TTS 模型之一。TechCrunch 指出尚未解決的風險——未披露的訓練資料，以及可能助長詐騙的複製技術——同時指出 Nari 的授權禁止濫用。創辦人的計畫仍是以消費者語音平台搭配社交層；能否形成商業業務仍未經證實。