AI生成语音模型的市场规模巨大。创意应用场景要求AI语音模型更具表现力，而希望自动化客户支持和销售运营的企业则需要它们更易于控制。
总部位于帕洛阿尔托的Fish Audio希望通过其包含超过15,000种自然语言控制的库来满足所有这些应用场景的需求。自去年推出以来，该初创公司目前已有超过800万人使用其开源或托管版本的模型，年经常性收入达到2,100万美元。
为了继续扩大这一势头，该公司于周二宣布在由Coreline Ventures和Capital Today领投的种子轮融资中筹集了5,200万美元。359 Capital、Parable、Play Time、Alphalist Partners、Bayhouse Ventures、Carya Venture Partners和HF0也参与了此次融资。
Fish Audio最初是前Nvidia研究员廖世佳的一个小型项目。由于对市场上缺乏表现力的合成语音感到沮丧，他在一块GPU上训练了一个语音生成模型，并将其开源。GitHub上的Fish Speech仓库现已获得超过31,000个星标，并被独立开发者、游戏设计师和内容创作者所使用。
过去一年中，该公司推出了五款模型：四款语音生成模型和一款语音转文本模型。它已开源了三款语音生成模型，但其最新的S2.1 Pro模型仅通过付费API提供。
Fish Audio提供适合创作者和团队的付费月度计划，解锁一定数量的生成分钟数以及语音克隆功能。该公司还提供企业版的API和平台，并表示HeyGen和Sanas等组织已经在用它。
“每家企业都有不同的应用场景和偏好。例如，像HeyGen这样使用我们的声音来驱动AI虚拟形象的公司，希望声音具有真实感；一家游戏工作室则希望角色拥有富有表现力的声音；而LiveKit这样的语音代理公司则希望声音更自然、延迟更低，并且足够富有表现力以用于通话，”Fish Audio的首席执行官兼联合创始人Rissa Cao表示。
该初创公司构建其语音库的一种方式之一是邀请用户提交自己的声音用于训练模型，并在其声音被使用时给予补偿。然而，几个月前这引发了一些麻烦，因为一些创作者指控他们的声音未经同意就被上传到了Fish Audio。该公司此前已设有DMCA下架流程来处理此类担忧，但下架过程本身耗时较长。
Cao告诉TechCrunch，该公司现在已实现下架流程自动化。创作者可以提交一段简短的声音样本或合同来证明上传的声音属于他们，她说，他们的声音将在不到三分钟内从该公司的平台上移除。
尽管如此，这并不能阻止任何人未经艺术家知情就上传其声音。在艺术家发现之前，除非他们申请移除，否则其声音将继续在该平台上被使用。
Coreline Ventures的合伙人Osuke Honda表示，只有当创作者信任平台时，社区驱动的模式才能发挥作用。
“如果创作者信任平台，以社区为中心的方法才能成为持久的优势。这意味着同意、透明度和署名权必须内置于产品中，而不是被视为事后补充。我认为行业需要朝着经过验证的声音所有权、清晰的许可条款、便捷的举报和下架流程迈进，并最终实现收入分成模式，使创作者在声音被授权或商业使用时获得经济利益。”他说。
Cao表示，当该初创公司仅作为开源项目提供产品并计划面向创作者时，它运行高效且不需要外部资金。但它希望开发更先进的模型，并希望随着投资者兴趣的增加而容纳企业客户，因此它寻求了资本。
展望未来，Fish Audio计划今年发布一个音频理解模型。它还在构建语音到语音模型。
语音生成市场竞争激烈，包括ElevenLabs、WellSaid、Cartesia、Speechify、Async（前Podcastle）和Krisp等公司在争夺创作者和企业客户的预算。
据359 Capital的合伙人Rico Mallozzi称，为开发者提供的细粒度控制和具有成本效益的模型训练将帮助Fish Audio更好地与大AI实验室竞争。
Mallozzi在一次电话采访中告诉TechCrunch：“我认为他们凭借现有团队所构建的最先进模型令人惊叹。与一些其他资金雄厚的AI实验室或公司相比，这展示了他们在缩小人工声音与拟人化声音之间差距方面的技术敏锐度。”
该故事已更新，以反映该公司在种子轮融资中筹集了5200万美元。