# Dia TTS (Nari Labs)

Dia by Nari Labs एक उन्नत टेक्स्ट-टू-स्पीच मॉडल है जो विशेष रूप से **वास्तविक बहु-वक्ता संवाद**के लिए माहिर है। पारंपरिक TTS के विपरीत जो एक समय में एक वक्ता को संभालता है, Dia कई वक्ताओं के बीच भाव, हँसी, हिचकिचाहट और अन्य गैर-मौखिक संकेतों के साथ प्राकृतिक बातचीत उत्पन्न करता है। 1.6B पैरामीटर पर, यह किसी भी 8GB+ GPU पर चलता है।

## प्रमुख विशेषताएँ

* **बहु-वक्ता संवाद**: एक ही पास में 2+ वक्ताओं के बीच वार्तालाप उत्पन्न करें
* **गैर-मौखिक संकेत**: हँसी `(हँसता है)`, हिचकिचाहट `(आह/आह भरता है)`, विराम — स्वचालित रूप से सम्मिलित
* **भावनात्मक भाषण**: स्पष्ट इमोशन टैग के बिना प्राकृतिक उच्चारण
* **1.6B पैरामीटर**: RTX 3070/3080 (8-10GB VRAM) पर फिट बैठता है
* **Apache 2.0 लाइसेंस**: पूर्ण व्यावसायिक उपयोग
* **HuggingFace एकीकरण**: Transformers लाइब्रेरी के साथ काम करता है

## आवश्यकताएँ

| घटक    | न्यूनतम        | अनुशंसित        |
| ------ | -------------- | --------------- |
| GPU    | RTX 3070 (8GB) | RTX 3080 (10GB) |
| VRAM   | 8GB            | 10GB+           |
| RAM    | 16GB           | 32GB            |
| डिस्क  | 10GB           | 15GB            |
| Python | 3.9+           | 3.11            |

**अनुशंसित Clore.ai GPU**: RTX 3080 10GB (\~$0.2–0.5/दिन)

## इंस्टॉलेशन

```bash
# विकल्प 1: pip install
pip install dia-tts

# विकल्प 2: स्रोत से
git clone https://github.com/nari-labs/dia.git
cd dia
pip install -e .
```

## त्वरित प्रारम्भ

### मूल बहु-वक्ता संवाद

```python
from dia import Dia

# मॉडल लोड करें
model = Dia.from_pretrained("nari-labs/Dia-1.6B")

# बहु-वक्ता वार्तालाप उत्पन्न करें
# [S1] = वक्ता 1, [S2] = वक्ता 2
text = """[S1] अरे, क्या आपने नए GPU रेंटल प्लेटफ़ॉर्म को आजमाया है?
[S2] आपका मतलब Clore है? हाँ, मैंने कल एक RTX 4090 किराये पर लिया था.
[S1] कैसा रहा?
[S2] (हँसता है) ईमानदारी से? अपेक्षा से बहुत सस्ता। लगभग दो डॉलर रोज़ाना जैसा।
[S1] नहीं चलता। ये... ये वास्तव में पागलपन है."""

audio = model.generate(text)

# फ़ाइल में सहेजें
import soundfile as sf
sf.write("dialog.wav", audio, samplerate=24000)
```

### भावना और गैर-मौखिक संकेतों के साथ

```python
# Dia स्वतः ही प्राकृतिक भाषण पैटर्न संभालता है
text = """[S1] मुझे अभी परिणाम मिले...
[S2] और? मुझे अनिश्चितता में मत रखो!
[S1] (आह भरता है) हम पास हो गए। हम वास्तव में सभी परीक्षण पास कर गए।
[S2] (हँसता है) मैंने कहा था! मैंने कहा था कि हम कर लेंगे!
[S1] मुझे यकीन नहीं हो रहा... (हँसता है) ठीक है, ठीक है, चलो जश्न मनाते हैं."""

audio = model.generate(text, temperature=0.8)
sf.write("emotional_dialog.wav", audio, samplerate=24000)
```

### एकल वक्ता

```python
# एकल वक्ता के लिए भी काम करता है
text = "[S1] क्लोर AI डॉक्यूमेंटेशन में आपका स्वागत है। इस गाइड में, हम आपके पहले GPU रेंटल की सेटअप और एक मशीन लर्निंग मॉडल डिप्लॉय करने के चरणों से गुजरेंगे."

audio = model.generate(text)
sf.write("narration.wav", audio, samplerate=24000)
```

## Gradio वेब UI

```python
# इंटरैक्टिव डेमो लॉन्च करें
python -m dia.app --port 7860 --share

# या मैन्युअली:
import gradio as gr
from dia import Dia

model = Dia.from_pretrained("nari-labs/Dia-1.6B")

def generate_speech(text):
    audio = model.generate(text)
    return (24000, audio)

demo = gr.Interface(
    fn=generate_speech,
    inputs=gr.Textbox(label="Dialog (use [S1], [S2] tags)", lines=10),
    outputs=gr.Audio(label="Generated Speech"),
    title="Dia TTS — बहु-वक्ता संवाद"
)
demo.launch(server_port=7860)
```

## उपयोग के मामले

* **पॉडकास्ट जनरेशन**: स्क्रिप्ट से वार्तालापात्मक पॉडकास्ट बनाएँ
* **ऑडियोबुक संवाद**: अलग-अलग आवाजों वाले पात्रों के बीच बातचीत उत्पन्न करें
* **गेम संवाद**: NPC वार्तालाप जिनमें प्राकृतिक भाषण पैटर्न हों
* **प्रशिक्षण डेटा**: ASR प्रशिक्षण के लिए विविध भाषण डेटासेट उत्पन्न करें
* **चैटबोट आवाज़ें**: भावनात्मक प्रतिक्रियाओं के साथ बहु-टर्न संवाद

## Clore.ai उपयोगकर्ताओं के लिए सुझाव

* **RTX 3080 आदर्श है**: 10GB VRAM Dia को आसानी से संभालता है \~ $0.2–0.5/दिन में
* **बैच जनरेशन**: अपने रेंटल समय को अधिकतम करने के लिए लूप में कई संवाद प्रोसेस करें
* **मॉडल को परमानेंट स्टोरेज में सहेजें**: यदि आपके Clore इंस्टेंस में परमानेंट डिस्क है, तो मॉडल को कैश करें ताकि पुनः‑डाउनलोड से बचा जा सके
* **टेम्परेचर 0.7–0.9**: कम = अधिक सुसंगत, उच्च = अधिक अभिव्यक्तिपूर्ण/विविध
* **केवल अंग्रेज़ी**: वर्तमान में Dia अंग्रेज़ी पर केंद्रित है — बहुभाषी के लिए Qwen3-TTS गाइड देखें

## समस्याओं का निवारण

| समस्या                            | समाधान                                                                          |
| --------------------------------- | ------------------------------------------------------------------------------- |
| CUDA में आउट ऑफ मेमोरी            | उपयोग करें `model.to("cuda", torch_dtype=torch.float16)` आधा प्रिसिजन के लिए    |
| वक्ताओं की आवाज़ें समान लगती हैं  | प्रति वक्ता अधिक टेक्स्ट/संदर्भ जोड़ें; उच्च तापमान आज़माएँ                     |
| गैर-मौखिक संकेत अनदेखा हो रहे हैं | सुनिश्चित करें कि सही फ़ॉर्मेट है: `(हँसता है)`, `(आह/आह भरता है)` कोष्ठकों में |
| ऑडियो गुणवत्ता कम है              | बढ़ाएँ `num_steps` यदि उपलब्ध पैरामीटर; सुनिश्चित करें 24kHz सैंपल रेट          |

## अधिक पढ़ने के लिए

* [Nari Labs GitHub](https://github.com/nari-labs/dia)
* [HuggingFace मॉडल](https://huggingface.co/nari-labs/Dia-1.6B)
* [तुलना: Dia बनाम ElevenLabs](https://nari-labs.github.io/dia/) — आधिकारिक डेमो पेज


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-hi/audio-and-voice/dia-tts.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.