Nari Labs 开源 16 亿参数文字转语音模型 Dia，支持精细化调节

IT之家 4 月 24 日消息，由两名韩国研究者组建的 Nari Labs 工作室于前天在 GitHub 和 Hugging Face 开源了拥有 16 亿参数的文字转语音 AI 模型 Dia，目前相应模型已在 GitHub 上收获了超过 9300 颗星标，IT之家附项目 GitHub 页如下：https://github.com/nari-labs/dia

相应研究者声称 Dia 的音质相对于业界的文字转语音模型拥有更灵活的自由度，同时在生成的语音自然度方面超越了 ElevenLabs Studio、Sesame 等竞品。其支持对输出音频的音色、情绪和语调进行精细调节，还能模拟各种非语言交流（如大笑、咳嗽或清嗓子等）。

官方对比测试显示，Dia 在声调自然度、表情丰富度和语音节奏感方面，均优于专注自然语音合成的 ElevenLabs Studio 以及 Sesame 推出的对话语音模型 CSM-1B。

目前，Dia 仅支持英文，需要英伟达 RTX 3080 及以上显卡才能本地部署运行，不过用户也可以在 Hugging Face Spaces 线上平台中在线使用。Nari Labs 表示，后续将推出面向普通消费者的一键部署服务，进一步降低使用门槛，让更多人无缝体验高质量文本转语音技术。