/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
Apache 2.0
Библиотека
dia2
Опубликована
15 ноя 2025

Dia2-1B

Синтез речиТекст → аудио3 профессии

Потоковая диалоговая модель Nari Labs для генерации английской речи по тексту с возможностью аудиоуправления.

1 064скачиваний за 30 дней27лайковвеса обновлены3 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Dia2-1B — потоковая диалоговая модель синтеза речи, разработанная Nari Labs. Она начинает генерировать аудио после получения первых слов и может использовать входное аудио для управления звучанием диалога. Репозиторий содержит веса в формате safetensors и код для запуска; модель рассчитана на генерацию речи на английском языке продолжительностью до двух минут.

Модель предназначена для диалоговой речи в сценариях с низкой задержкой, включая интерактивные голосовые приложения. Для запуска README указывает CUDA 12.8 или новее; пример использует bfloat16. Доступны отметки времени слов относительно аудиокадров Mimi. Лицензия — Apache-2.0. Разработчики запрещают имитацию реальных людей без разрешения, вводящую в заблуждение генерацию и незаконное или вредоносное применение.

Сценарии применения

  • потоковый синтез английской речи для голосового диалога
  • генерация реплик для интерактивного голосового приложения
  • создание английской озвучки длительностью до двух минут
  • синтез диалогового аудио с условием на входное аудио

Ограничения

Поддерживается только английский язык, а генерация ограничена двумя минутами. Для запуска требуется CUDA 12.8 или новее; README запрещает имитацию реальных людей без разрешения и вводящее в заблуждение или незаконное применение.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Dia2-1B

Dia2 is a streaming dialogue TTS model created by Nari Labs.

The model does not need the entire text to produce the audio, and can start generating as the first few words are given as input. You can condition the output on audio, enabling natural conversations in realtime.

We provide model checkpoints (1B, 2B) and inference code to accelerate research. The model only supports up to 2 minutes of generation in English.

Upcoming

  • Dia2 TTS Server: Real streaming support
  • Sori: Dia2-powered speech-to-speech engine written in Rust

Quickstart

Requirement — install uv and use CUDA 12.8+ drivers. All commands below run through uv run … as a rule.

  1. Install dependencies (one-time):
    uv sync
    
  2. Prepare a script: edit input.txt using [S1] / [S2] speaker tags.
  3. Generate audio:
    uv run -m dia2.cli \
      --hf nari-labs/Dia2-1B \
      --input input.txt \
      --cfg 2.0 --temperature 0.8 \
      --cuda-graph --verbose \
      output.wav
    
    The first run downloads weights/tokenizer/Mimi. The CLI auto-selects CUDA when available (otherwise CPU) and defaults to bfloat16 precision—override with --device / --dtype if needed.
  4. Conditional Generation (optional):
    uv run -m dia2.cli \
      --hf nari-labs/Dia2-1B \
      --input input.txt \
      --prefix-speaker-1 prefix_speaker1.wav \
      --prefix-speaker-2 prefix_speaker2.wav \
      --cuda-graph --verbose \
      output_conditioned.wav
    
    Condition the generation on previous conversational context in order to generate natural output for your speech-to-speech system. For example, place the voice of your assistant as prefix speaker 1, place user's audio input as prefix speaker 2, and generate the response to user's input.
  5. Gradio for Easy Usage
    uv run gradio_app.py
    

Programmatic Usage

from dia2 import Dia2, GenerationConfig, SamplingConfig

dia = Dia2.from_repo("nari-labs/Dia2-1B", device="cuda", dtype="bfloat16")
config = GenerationConfig(
    cfg_scale=2.0,
    audio=SamplingConfig(temperature=0.8, top_k=50),
    use_cuda_graph=True,
)
result = dia.generate("[S1] Hello Dia2!", config=config, output_wav="hello.wav", verbose=True)

Generation runs until the runtime config's max_context_steps (1500, 2 minutes) or until EOS is detected. GenerationResult includes audio tokens, waveform tensor, and word timestamps relative to Mimi’s ~12.5 Hz frame rate.

Hugging Face

VariantRepo
Dia2-1Bnari-labs/Dia2-1B
Dia2-2Bnari-labs/Dia2-2B

License & Attribution

Licensed under Apache 2.0. All third-party assets (Kyutai Mimi codec, etc.) retain their original licenses.

Disclaimer

This project offers a high-fidelity speech generation model intended for research and educational use. The following uses are strictly forbidden:

  • Identity Misuse: Do not produce audio resembling real individuals without permission.
  • Deceptive Content: Do not use this model to generate misleading content (e.g. fake news)
  • Illegal or Malicious Use: Do not use this model for activities that are illegal or intended to cause harm.

By using this model, you agree to uphold relevant legal standards and ethical responsibilities. We are not responsible for any misuse and firmly oppose any unethical usage of this technology.

Acknowledgements


Questions? Join our Discord or open an issue.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · dia2

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
0004262

0 моделей