一、教程简介

Dia2-TTS 是一个基于 nari-labs 团队于 2025 年 11 月发布的 Dia2 大规模语音生成模型（Dia2-2B）构建的实时语音合成服务，支持多轮对话脚本输入、双角色语音提示（Prefix Voice）、多参数可控采样，并通过 Gradio 提供完整的 Web 端交互界面，用于高质量对话级语音合成。 Dia2-TTS 可直接输入连续多轮对话脚本，生成自然连贯、角色音色一致的高质量语音，适用于虚拟客服、语音助手、 AI 配音、短剧生成等应用场景。

核心特性：

• 多轮对话语音合成：支持 S1 / S2 双角色连续多轮对话
• 语音前缀驱动音色：通过 Prefix Voice 控制角色音色一致性
• 双采样系统：文本与音频采样参数独立可控
• CFG 可控生成：支持 CFG Scale 调节整体生成强度
• 时间戳对齐输出：单词级时间戳，便于后期字幕与剪辑
• 网页端交互：基于 Gradio，一键式在线推理

本教程使用 Gradio 部署 Dia2-TTS 实时语音合成服务，算力资源采用「RTX_5090」，可流畅运行多轮对话级语音生成任务，目前只能生成英文对话。

二、效果展示

Dia2-TTS 在实际使用中可实现：

• 多轮对话语音合成：支持连续多轮自然对话生成
• 高自然度语音输出：语音流畅、停顿自然、情感稳定
• 角色音色保持：基于语音前缀维持角色音色一致
• 语音时间戳输出：可用于字幕生成、对口型动画、二次剪辑
• 日志可视化输出：完整展示推理过程与生成状态

三、运行步骤

1. 启动容器

启动容器后点击 API 地址即可进入 Web 界面

2. 开始使用

若显示「Bad Gateway」, 表示模型正在初始化，请等待 1-2 分钟刷新页面。

使用 Safari 浏览器时，音频可能无法直接播放，需要下载后进行播放。

参数说明

• 语音整体控制
  • CFG Scale：控制文本与语音生成的整体引导强度
• 文本采样设置
  • Text Temperature：控制文本生成随机性
  • Text Top-K：控制文本采样候选范围
• 音频采样设置
  • Audio Temperature：控制音频生成随机性
  • Audio Top-K：控制音频采样候选范围
• 语音前缀控制
  • Keep Prefix：是否将前缀语音保留在最终输出中