Dia-1.6B-0626：把英语双人脚本连成一段对话

做英语听力材料、动画试配或短播客样稿时，两个人轮流说话，比两条各自顺滑的旁白更难处理。你需要交替的角色、接话的节奏，有时还要一句话后的笑声。Nari Labs 的 Dia-1.6B-0626 提供了一条直接的路线：把带角色标签的英语脚本整体交给模型，生成一段包含角色轮换的对话音频。

它是一组 1.6B 参数的语音生成权重。本篇讨论的入口固定为 nari-labs/Dia-1.6B-0626。当前仓库虽也放着 Dia2 的链接，那是另一个项目，不能把新入口的能力算到这组权重上。对中文读者同样需要先说清用途：官方明确表示这组模型目前只支持英语生成，适合用中文理解方法、制作英语材料。

标签是在交代谁接着说

官方示例先让 [S1] 介绍 Dia，再由 [S2] 接话，随后 [S1] 表示惊讶并带上 (laughs)，最后交回 [S2]。值得看的是整个顺序：角色信息与台词处于同一段输入里，笑声也落在对应角色的话后面。

[S1] 和 [S2] 可以理解成脚本里的说话人标记。它们不是需要念出的单词，也不只是给两份音频文件起名字。模型按这份连续脚本生成对话，创作者因此可以把精力放在谁回应谁、反应写在哪一句，而不是先把每个人的旁白独立生成再手工拼接。输出仍是一段待试听的音频，并不能据此承诺获得两条可单独混音的角色分轨。

官方图用橙色与白色区分 S1、S2，并在 S1 的反应后标出 (laughs)。它说明输入脚本的结构；下方波形是示意，不能用这张图判断声音自然度或英语发音质量。

一段能跟上的对话，要控制脚本长度

假设要制作一段英语课堂里的问答，先安排一个人提问、另一个人回应，再决定哪里需要反应声。这是教学情境，本文没有运行模型或生成课堂样音。它与官方示例相通的地方，是把轮次和反应写进输入，而不是期待模型替自己编好对话。

README 给出的生成建议很具体：从 [S1] 开始，并交替使用两个标签，避免连续两段都标成同一个人。文本也应适中；按官方经验，对应少于约 5 秒的输入容易不自然，超过约 20 秒则可能说得过快。它们是试用指导，并非严格的音频长度上限。对较长教学材料，我会先按完整的小问答组织片段，保留接话关系，再决定怎样分段。

笑声、咳嗽、叹气等非语言声音也有列出的标记，例如 (laughs)、(coughs)、(sighs)。官方同时提醒要少用，未列出的写法或过度使用可能产生异常。这让脚本编辑有了明确取舍：反应声用来表达某个角色的具体反应，不能靠每句都加括号来保证对话生动。

想保留角色声音，还需要参考条件

只输入文本时，官方说明不同运行可能得到不同声音。角色标签解决的是轮到谁说话，并不自动固定你想要的声线。需要延续声音时，可以添加参考音频或固定随机种子；前者还要配上与录音对应的转写，并正确标记角色。仓库建议参考录音约 5 至 10 秒，转写放在新脚本之前，生成时只输出新脚本内容。

这一步适合已有授权角色素材的试配工作：录音提供声音条件，文字转写把录音与角色对应起来，新脚本才是要新增的内容。固定种子则是另一种复现条件，不能理解成已经为两位角色建立了长期声音档案。正式使用前仍应试听接话、读错字词和角色漂移。

真实起点是这组权重的 Hugging Face 页面和官方仓库；README 还链接了对应的 ZeroGPU Space。想自己运行的人可使用仓库示例或 Transformers 路径，官方展示了把结果保存为音频文件的方式。材料中的硬件测试以 GPU 为主，首次运行还需下载 Descript Audio Codec，不能把模型参数小直接等同于普通电脑即开即用。

仓库采用 Apache 2.0，模型卡也标注同一许可；官方同时要求避免未经许可模仿真实人物或用于欺骗。对需要短段英语双人材料、愿意编辑脚本和试听的人，Dia 的价值在于让角色轮次进入同一个生成过程；若任务本身是中文对话，就应先换到明确支持中文的模型路线。

参考资料：

• Dia-1.6B-0626 官方模型卡
• Dia 官方仓库与生成指导
• Apache 2.0 许可