Nari Labs 的开源 Dia TTS 两周下载破 10 万

Nari Labs 是一家位于首尔的两人创业公司，做开源文本转语音：主打产品 Dia 模型（16 亿参数，Apache-2.0 许可）把带脚本的多说话人对话变成音频，用户可以标注情感以及笑声、咳嗽等非语言提示。

两人团队用免费的谷歌 TPU 训练一个 16 亿参数的开源 TTS，其可控的情感、笑声和咳嗽胜过 ElevenLabs 和 NotebookLM。

未融资：创始人说 Dia 是在零外部资金下做出来的，用了谷歌的 TPU Research Cloud 和 Hugging Face 的 ZeroGPU 赠款（VentureBeat，2025年4月）。

Toby Kim（首尔大学）和成在勇（KAIST）在发布前大约三个月开始学语音 AI。受 NotebookLM 播客功能的启发，他们想要对声音有更多控制，对脚本有更多自由；试遍了所有商用 TTS API 后，发现没有一种听起来像真人对话，于是创立了 Nari Labs，并在谷歌免费的 TPU Research Cloud 上训练。

2025 年 4 月，他们以 Apache-2.0 许可发布了 Dia：16 亿参数，说话人标签如 [S1]/[S2]，(laughs) 和 (coughs) 等提示会渲染成真实声音。它可以在约 10GB 显存的电脑上运行。TechCrunch 和 VentureBeat 在一周内报道了它；韩国经济电视台报道称两周内下载量突破 10 万，韩国媒体把这波热潮称为“K-deep voice”，还获得了 Hugging Face 首席执行官 Clem Delangue、沃顿商学院教授 Ethan Mollick 和风投 Deedy Das 的称赞。

还没有公布融资轮次；到 2025 年 7 月 21 日，仓库 GitHub 星标达到 17.5K（ROSS Q3-2025），2026 年的盘点仍把 Dia 列为前五的开源 TTS 模型。创始人的计划仍然是做一个带社交层的消费级语音平台。

免费 TPU 的限制迫使他们押注小模型：16 亿参数，能装进消费级显卡，差异点是可控性而不是规模。

他们瞄准了现有玩家忽视的空白——脚本自由和非语言表达——而 NotebookLM 和 ElevenLabs 的输出听起来很生硬。

采用 Apache-2.0 开源，让下载量和 GitHub 星标成了营销预算，带来了这两位学生买不到的报道。

两人团队发货快：从未知到发布大约三个月，领先于大型实验室的发布周期。

与 ElevenLabs 和 Sesame 的并排对比音频，把质量主张变成了记者和听众能自行验证的证据。

资金少的时候，挑现有玩家赚钱的瓶颈——表现力控制——然后把护城河送掉：开放权重让两个学生成了参照点。

截至 2026 年 9 月 4 日，还没有公布融资轮次或付费平台上线。开源项目支撑了公司知名度：ROSS Q3-2025 记录到 2025 年 7 月 21 日 GitHub 星标 17.5K，2026 年 6 月的独立盘点仍把 Dia 列为前五开源 TTS 模型。TechCrunch 指出了未解决的风险——未披露的训练数据和可能助长诈骗的克隆——同时提到 Nari 的许可禁止滥用。创始人的计划仍是做一个带社交层的消费级语音平台，能否形成商业业务还未得到验证。