Dia (Nari Labs TTS)（ダイアナリラボティーティーエス）
Nari Labsが2025年4月に公開した16億パラメータのオープンソーステキスト読み上げモデル。[S1][S2]タグによるマルチスピーカー対話音声生成と(laughs)等の非言語表現タグが特徴。Gemini 1.5 Proからの知識蒸留で学習。
Dia（Nari Labs）とは
Diaは、韓国系AIスタートアップNari Labsが2025年4月にGitHubおよびHuggingFaceでオープンソース公開したテキスト読み上げモデルです。パラメータ数1.6B（16億）と中量級のサイズながら、特に「対話音声（2人の会話）の自動生成」という独自の特徴で注目を集めました。
「Dia」という名前は「Dialog（対話）」と「Audio」を組み合わせた造語で、モデルの設計思想をそのまま表しています。
主な特徴・仕組み
- マルチスピーカータグ: [S1] [S2] タグでスピーカーを切り替え、自然な2者会話音声を生成
- 非言語表現タグ: (laughs) (coughs) (sighs) (clears throat) (gasps) でリアルな感情音を挿入
- 知識蒸留学習: Gemini 1.5 Proが生成した対話音声データを教師データとして学習
- エンコーダ-デコーダ: テキストエンコーダ（T5ベース改良）+ 音声デコーダ（DECA音声コーデック）
- 音声品質: 24kHzサンプリングレート、ステレオ2チャンネル出力対応
- ライセンス: Apache 2.0（商用利用・改変・再配布可）
スペック比較表
| 項目 | Dia 1.6B | Orpheus 3B | Kokoro 82M | ElevenLabs Dialogue |
|---|---|---|---|---|
| パラメータ | 1.6B | 3B | 82M | クラウド |
| マルチスピーカー | [S1][S2]対応 | 非対応 | 非対応 | 対応 |
| 非言語表現 | 5種 | 7種 | なし | 対応 |
| VRAM要件 | 4GB+ | 6GB+ | 1GB未満 | N/A |
| 価格 | 無料 | 無料 | 無料 | $22/月〜 |
| 言語 | 英語 | 英語 | 8言語 | 30言語 |
使用例：対話音声の生成
import torch
from dia.model import Dia
# モデルロード（初回は自動ダウンロード、約6GB）
model = Dia.from_pretrained("nari-labs/Dia-1.6B", compute_dtype="float16")
# [S1][S2]タグで2者会話を記述
transcript = """[S1] 自作PCを初めて組もうと思っているんですが、何から始めればいいですか？
[S2] まずはCPUとマザーボードの組み合わせを決めることが重要ですよ。予算はどのくらいですか？
[S1] 10万円くらいで考えています。
[S2] それなら、Ryzen 5 7600とB650マザーボードの組み合わせがおすすめです。"""
output = model.generate(transcript)
model.save_audio("dialogue_output.wav", output)
生成音声の特性:
- 話者切り替えが自動で異なる声質に変化（S1は低め、S2はやや高め）
- (laughs) 挿入で自然な笑い声が生成（約0.5〜1.0秒）
- 会話の自然な間（ポーズ）も自動調整
ポッドキャスト・コンテンツ制作への活用
Diaは2人のホストが話すポッドキャスト、インタビュー、教育的対話コンテンツの自動生成に最適化されています。
活用フロー:
- LLM（Claude・GPT等）で対話スクリプト生成（[S1][S2]形式）
- DiaでスクリプトをWAVファイルへ変換
- Audacityや音声編集ソフトでBGM・SEを追加
- 完成したポッドキャスト音声をRSSフィードで配信
実測生成時間（RTX 4070 Ti、VRAM 12GB）:
- 30秒の対話音声: 約8〜12秒（RTF約0.35）
- 5分の対話音声: 約90〜120秒
よくある質問（FAQ）
Q1: [S1][S2]以外の話者（3人以上）は対応していますか？ A: 現時点のDia 1.6Bは2話者（[S1][S2]）のみ対応です。3人以上の会話は公式サポート外ですが、コミュニティ実験では[S3]タグを追加すると予測不安定になりS1かS2の声になる場合が多いです。多話者対応は次バージョンでの改善が期待されています。
Q2: Gemini 1.5 Proからの知識蒸留とは具体的にどういう意味ですか？ A: Gemini 1.5 Proに大量のテキスト対話スクリプトを読み上げさせて生成した音声データを、Diaの学習データとして使用したことを意味します。大規模モデルの「知識」を小規模モデルに転移させる手法で、1.6Bという比較的小さなモデルサイズでGemini品質に近い対話音声生成を実現しています。
Q3: 日本語での[S1][S2]対話音声は生成できますか？ A: 公式モデルは英語特化です。日本語テキストを入力すると英語読みや不安定な音声が生成されます。日本語での対話音声生成には、Kokoro TTSで2つの音声スタイルを交互適用する方法が現実的な代替です。Diaの日本語ファインチューニング版を開発するコミュニティプロジェクトも進行中です。
まとめ
- Nari Labs製1.6Bパラメータ、Gemini 1.5Pro知識蒸留の対話特化TTS
- [S1][S2]タグで自然な2者会話音声を自動生成、Apache 2.0商用無料
- (laughs)・(coughs)等5種の非言語表現タグでリアルな感情音を付与
- ポッドキャスト・教育コンテンツの自動音声化に最適な2025年注目モデル