谷歌气候级居品 NotebookLM开云体育(中国)官方网站，两个本科生自学 3 个月就复刻了？

Nari Labs 刚刚开源的 Dia-1.6B，简略生成对于任何主题的对话，语音音色当然，还会添加口吻、咳嗽声、笑声等。

官方演示提供了与热点语音模子 ElevenLabs 和 SeaSame 的对比，先来感受一下：

Dia-1.6B 模子权重与推理代码全开源，在 GitHub 上不到一天就获取近 5000 标星。

当今 Dia 1.6B 在单张英伟达 RTX A4000 上每秒约可生成 40 个 token，而 86 个 token 苟简是 1 秒的音频本体。

也即是说，在更强的 GPU 或者多卡确立下不错作念到及时生成音频。

官方暗示齐全版模子需要 10GB 显存运转，改日会添加量化版块，以及 CPU 援助。

不外开源社区依然通过优化 torch 编译进一步栽培推理速率和纯粹显存。

淌若莫得算力资源，也不错到 HuggingFace 试玩 Demo，不外很可惜，当今版块不援助汉文。

真正口吻语音生成

使用 Dia-1.6B 相等浅易，用 [ s1 ] [ s2 ] 标签带标两个不同的音色，当今模子为针对任何音色微调，每次齐会立时得到不同的音色。

淌若思保抓特定音色，不错添加音色指示词（教程稍后发布）或固定立时种子。

口吻会自动顺应翰墨本体，如官方演示中一段与着火了联系的对话，AI 口吻就彰着病笃起来。

比拟之下，Eleven Labs 和 Seasame 模子生成的口吻照旧不紧不慢的。

只需使用括号可添加咳嗽、吸鼻子、清嗓子、笑声等身分，终点是笑声会与。其他模子暂不援助这个功能。

不外当今版块的在线 Demo 也有一些问题，由于最大生成时长相对固定，输入的翰墨越多语速就会越快。

淌若在参数中调整速率因子，会像调整音频播放速率雷同让声息更低千里，没那么当然了。

两位本科生自学 3 个月打造

Nari Lab 首创成员 Toby Kim 与 Jaeyong Sung，来自韩国首尔大学和韩国科学技能院（KAIST），其中还有一东说念主在服兵役兼员职责，扫数这个词形态 0 融资启动，自学 3 个月完成。

Toby Kim 露出形态灵感恰是来自谷歌旧年爆火的 NoteBook LM 自动生成播客对话功能，但他们思要对声息的终了力更强，剧本的解放度更高。

他们尝试了其时市面上扫数的文本转语音 API 后，以为莫得一个听起来像真正的东说念主类对话。

于是他们靠请求免费的谷歌盘考计较 TPU 资源稽查模子，并推选学习初学 TPU 的团队去看 DeepMind 的《How to Scale Your Model》 和 HuggingFace 的《Ultra-Scale Playbook》

改日，他们计较把 Dia 打形成一款齐全欺诈，不错创建兴致的对话、重新组合本体并与好友共享。

在线试玩：

https://huggingface.co/spaces/nari-labs/Dia-1.6B

How to Scale Your Model

https://jax-ml.github.io/scaling-book/

Ultra-Scale Playbook

https://huggingface.co/spaces/nanotron/ultrascale-playbook

参考辘集：

[ 1 ] https://x.com/_doyeob_/status/1914464979266449863

[ 2 ] https://techcrunch.com/2025/04/22/two-undergrads-built-an-ai-speech-model-to-rival-notebooklm/

一键三连「点赞」「转发」「留心心」

接待在批驳区留住你的思法！

—  完  —

� � 点亮星标 � �

科技前沿阐扬逐日见开云体育(中国)官方网站