ফিশ অডিও, একটি পালো অল্টো-ভিত্তিক স্টার্টআপ বিল্ডিং এক্সপ্রেসিভ এআই ভয়েস মডেল, সৃজনশীল এবং এন্টারপ্রাইজ উভয় ক্ষেত্রেই এর প্ল্যাটফর্ম প্রসারিত করতে একটি বীজ রাউন্ডে $50 মিলিয়ন সংগ্রহ করেছে। টেকক্রাঞ্চের প্রতিবেদন অনুসারে, 359 ক্যাপিটাল, প্যারেবল, প্লে টাইম, অ্যালফালিস্ট পার্টনারস, বেহাউস ভেঞ্চারস, ক্যারিয়া ভেঞ্চার পার্টনারস এবং HF0 এর অংশগ্রহণের সাথে কোরলাইন ভেঞ্চারস এবং ক্যাপিটাল টুডে ফান্ডিং রাউন্ডের নেতৃত্বে ছিল।
রাউন্ডটি AI ভয়েস জেনারেশন স্পেসে বৃহত্তর বীজ অর্থায়নের একটি, যা ইতিমধ্যেই উল্লেখযোগ্য ট্র্যাকশন তৈরি করেছে এমন একটি কোম্পানির প্রতি বিনিয়োগকারীদের আস্থা প্রতিফলিত করে। ফিশ অডিও এখন তার মডেলগুলির ওপেন-সোর্স বা হোস্ট করা সংস্করণগুলি ব্যবহার করে 8 মিলিয়নেরও বেশি লোককে গণনা করে এবং বার্ষিক পুনরাবৃত্ত আয়ের জন্য $21 মিলিয়ন উত্পন্ন করে৷ স্টার্টআপের দ্রুত বৃদ্ধি হল AI শিল্প সম্প্রসারণের একটি বৃহত্তর তরঙ্গের অংশ যা উল্লেখযোগ্য উদ্যোগের মূলধন আকর্ষণ করে চলেছে।
একক-জিপিইউ প্রকল্প থেকে 8 মিলিয়ন ব্যবহারকারী
ফিশ অডিও একটি ছোট সাইড প্রজেক্ট হিসাবে শুরু হয়েছিল শিজিয়া লিয়াও, একজন প্রাক্তন এনভিডিয়া গবেষক যিনি তখন বাজারে উপলব্ধ ফ্ল্যাট, অ-অভিব্যক্ত সিন্থেটিক ভয়েসের দ্বারা হতাশ হয়েছিলেন। লিয়াও একটি একক GPU-তে একটি ভয়েস জেনারেশন মডেলকে প্রশিক্ষিত করেছেন এবং এটিকে ওপেন সোর্স করেছেন। সেই প্রথম দিকের প্রজেক্ট, যা ফিশ স্পিচ নামে পরিচিত, তখন থেকে GitHub-এ 31,000 টিরও বেশি তারা সহ একটি ভান্ডারে পরিণত হয়েছে, যা স্বাধীন বিকাশকারী, ভিডিও গেম ডিজাইনার এবং সামগ্রী নির্মাতাদের দ্বারা ব্যবহৃত হয়।
গত বছরে, কোম্পানিটি পাঁচটি মডেল চালু করেছে: চারটি স্পিচ জেনারেশন মডেল এবং একটি স্পিচ-টু-টেক্সট মডেল। এটি তার স্পিচ জেনারেশন মডেলের তিনটি ওপেন সোর্স করেছে, যখন এর সর্বশেষ রিলিজ, S2.1 Pro, শুধুমাত্র একটি পেইড API এর মাধ্যমে উপলব্ধ। এই হাইব্রিড ওপেন-কোর কৌশলটি ফিশ অডিওকে তার সবচেয়ে উন্নত ক্ষমতার নগদীকরণের সময় ডেভেলপারদের একটি বৃহৎ সম্প্রদায় তৈরি করার অনুমতি দিয়েছে।
প্রতিটি ব্যবহারের ক্ষেত্রে একটি ভয়েস মডেল
কোম্পানির মতে যা ফিশ অডিওকে আলাদা করে তা হল এটি অফার করার নিয়ন্ত্রণের প্রশস্ততা। প্ল্যাটফর্মটিতে 15,000-এরও বেশি প্রাকৃতিক ভাষা নিয়ন্ত্রণের একটি লাইব্রেরি রয়েছে যা ব্যবহারকারীদের কীভাবে উত্পন্ন কণ্ঠস্বর শোনায় — সুর, আবেগ, গতি এবং শৈলী সামঞ্জস্য করা।
সিইও এবং সহ-প্রতিষ্ঠাতা রিসা কাও টেকক্রাঞ্চকে বলেছেন যে কোম্পানির এন্টারপ্রাইজ গ্রাহকদের খুব ভিন্ন প্রয়োজন রয়েছে। HeyGen-এর মতো কোম্পানি, যেগুলি AI অবতারগুলিকে শক্তিশালী করতে ফিশ অডিও ভয়েস ব্যবহার করে, বাস্তবতাকে অগ্রাধিকার দেয়৷ গেমিং স্টুডিওগুলি তাদের চরিত্রগুলির জন্য অভিব্যক্তিপূর্ণ ভয়েস চায়। LiveKit-এর মতো ভয়েস এজেন্ট কোম্পানির প্রয়োজন স্বাভাবিক-শব্দযুক্ত, কম-বিলম্বিত ভয়েস যা লাইভ ফোন কলের জন্য যথেষ্ট অভিব্যক্তিপূর্ণ থাকে।
"প্রতিটি এন্টারপ্রাইজের বিভিন্ন ব্যবহারের ক্ষেত্রে এবং বিভিন্ন পছন্দ রয়েছে," কাও বলেছেন। অন্যান্য গ্রাহকদের মধ্যে রয়েছে সানাস, উচ্চারণ অনুবাদের উপর দৃষ্টি নিবদ্ধ একটি কোম্পানি এবং প্লড, যা এআই-চালিত রেকর্ডিং ডিভাইস তৈরি করে। ফিশ অডিও নির্মাতা এবং দলগুলির জন্য অর্থপ্রদানের মাসিক পরিকল্পনা অফার করে যা প্রজন্মের নির্দিষ্ট সংখ্যক মিনিট এবং ভয়েস ক্লোনিং বৈশিষ্ট্যগুলি আনলক করে, সেইসাথে এর APIগুলির একটি এন্টারপ্রাইজ সংস্করণ।
ব্যবহারকারীর অবদানের মাধ্যমে একটি ভয়েস লাইব্রেরি তৈরি করা
ফিশ অডিও তার ভয়েসের লাইব্রেরি প্রসারিত করার উপায়গুলির মধ্যে একটি হল ব্যবহারকারীদের প্রশিক্ষণ মডেলের জন্য তাদের নিজস্ব ভয়েস রেকর্ডিং জমা দেওয়ার জন্য আমন্ত্রণ জানানো, তাদের ভয়েস ব্যবহার করা হলে তাদের ক্ষতিপূরণ দেওয়া। এই ক্রাউডসোর্সড পদ্ধতি কোম্পানিটিকে একটি বৈচিত্র্যময় ক্যাটালগ তৈরি করতে সাহায্য করেছে, কিন্তু এটি চ্যালেঞ্জও তৈরি করেছে।
কয়েক মাস আগে, কিছু নির্মাতা অভিযোগ করেছিলেন যে তাদের ভয়েসগুলি তাদের সম্মতি ছাড়াই ফিশ অডিওর প্ল্যাটফর্মে আপলোড করা হয়েছিল। স্টার্টআপে একটি DMCA বিষয়বস্তু টেকডাউন প্রক্রিয়া ছিল, কিন্তু প্রক্রিয়াটি ধীর ছিল। Cao TechCrunch কে বলেছে যে কোম্পানিটি এই ধরনের উদ্বেগগুলিকে আরও দ্রুত সমাধান করার জন্য টেকডাউন প্রক্রিয়াটি স্বয়ংক্রিয়ভাবে করেছে।
বিতর্কটি এআই ভয়েস শিল্পে ক্রমবর্ধমান উত্তেজনাকে তুলে ধরে। সিন্থেটিক ভয়েস প্রযুক্তি উন্নত হওয়ার সাথে সাথে অনুমোদিত এবং অননুমোদিত ব্যবহারের মধ্যে লাইনটি পুলিশের কাছে কঠিন হয়ে ওঠে। ভয়েস ক্লোনিং, বিশেষ করে, ছদ্মবেশ এবং জালিয়াতি সম্পর্কে উদ্বেগ উত্থাপন করেছে, এবং বেশ কয়েকটি দেশে নিয়ন্ত্রকরা এআই-জেনারেটেড অডিও নিয়ন্ত্রণকারী আইনি কাঠামো পরীক্ষা করতে শুরু করেছে।
একটি প্রতিযোগিতামূলক এবং জনাকীর্ণ বাজার
এআই ভয়েস স্পেসে ফিশ অডিও একা থেকে অনেক দূরে। প্রতিযোগীদের মধ্যে রয়েছে ElevenLabs, যেটি কয়েক মিলিয়ন ডলার সংগ্রহ করেছে এবং ব্যাপকভাবে মার্কেট লিডার হিসেবে দেখা হয়, সেইসাথে বড় প্রযুক্তি কোম্পানির অফারও। কিন্তু ওপেন সোর্স মডেলের উপর ফিশ অডিওর জোর এবং এর ডেভেলপারদের বৃহৎ সম্প্রদায় এটিকে একটি স্বতন্ত্র অবস্থান দেয়।
$50 মিলিয়ন বীজ রাউন্ড কোম্পানিকে মডেলের গুণমানে প্রতিদ্বন্দ্বিতা করতে, তার এন্টারপ্রাইজ বিক্রয় প্রচেষ্টা প্রসারিত করতে এবং ভয়েস ক্লোনিং প্রযুক্তির সাথে আসা আইনি এবং নৈতিক প্রশ্নগুলি নেভিগেট করার জন্য রানওয়ে দেয়৷ ইতিমধ্যেই $21 মিলিয়ন বার্ষিক পুনরাবৃত্ত রাজস্ব সহ, ফিশ অডিও একটি বীজ-পর্যায়ের কোম্পানির জন্য অর্থপূর্ণ রাজস্ব তৈরি করছে, এটি পরামর্শ দিচ্ছে যে অভিব্যক্তিপূর্ণ, নিয়ন্ত্রণযোগ্য AI ভয়েসের চাহিদা নতুনত্বের বাইরেও প্রসারিত।
একটি লাভজনক এন্টারপ্রাইজ ব্যবসা তৈরি করার সময় স্টার্টআপটি তার ওপেন-সোর্স গতি বজায় রাখতে পারে কিনা তা দেখা বাকি রয়েছে। কিন্তু রাউন্ডের আকার, এবং অংশগ্রহণকারী বিনিয়োগকারীদের গুণমান, ইঙ্গিত দেয় যে AI-উত্পাদিত ভয়েসের বাজার এখনও তার প্রাথমিক ইনিংসে রয়েছে — এবং যে বিনিয়োগকারীরা এমন একটি কোম্পানিতে যথেষ্ট উত্থান দেখতে পাচ্ছেন যা ইন্ডি নির্মাতা এবং বড় উদ্যোগ উভয়কেই পূরণ করে।
এআই স্টার্টআপ নিউজ থেকে এগিয়ে থাকুন
ভয়েস জেনারেশন এবং অন্যান্য জেনারেটিভ এআই মার্কেট বিকশিত হওয়ার সাথে সাথে সাম্প্রতিক এআই ডেভেলপমেন্ট অনুসরণ করুন।
আরও এআই খবর পড়ুন →
